Mtb15 Control Estad Proceso

Mintab V15
Mdulo 6. Control Estadstico del Proceso
MINITAB 15 MDULO 6. CONTROL ESTADSTICO DEL PROCESO
6.1Cartas de control por variables: I-MR, Xmedia R

6.2Estudios de capacidad de equipos de medicin R&R
3.3Estudios de capacidad de procesos normales
6.4Estudios de capacidad de procesos no normales
6.5Cartas de control por atributos: p, np, c, u
6.6Estudios de capacidad de proceso por atributos
6.7Cartas de control especiales (EWMA, CuSum)
6.8Muestreo por atributos (AQL, AOQL, LTPD, Z1.4)
6.9 Aplicaciones
MDULO 6. CONTROL ESTADSTICO DEL PROCESO

Para la teora sobre el CEP ver archivo Cartas de Control.doc o el Curso de CEP
6.1 Cartas de control por variables: X media - R, I-MR, X media - S

Carta X - R
Carta de Medias Rangos, funciona mejor para subgrupos menores a 10.

Ejemplo: En una planta automotrz una flecha debe tener 600 mm 2 mm de longitud
sin embargo ha habido dificultades con dar esta dimensin con problemas de ensamble
que resultan en un alto porcentaje de retrabajo y desperdicio. Se dese monitorear esta
caracterstica con una carta X media - R durante un mes se colectan 100 mediciones
(20 muestras de 5 flechas cada una) de todas las flechas utilizadas en la planta de los dos
proveedores que las surten SUPP1 y SUPP2, primero se analiza al SUPP2.
Carta de Control X-R usando el archivo CAMSHAFT.MTW.
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
Seleccionar All observations for a chart are in one column, seleccionar Supp2.
Existe otra alternativa Observations for a subgroup are in a row of columns
En Subgroup sizes, poner 5. Click OK.
Usar (Chart) Options si se desea algo de lo siguiente:
Parameters Para lmites de la media o rango en base a datos histricos
de la Mean y/o Standar Deviation
Estimate
Para omitir subrupos con los que el proceso sale de control

Omit the following subroup when est. parameters (2 14)
Method for estimating standar deviation seleccionar R bar
S limits
Para mostrar lmites en 2 y 3 (default) sigmas u en otra sigma

Display Control Limts at These multiples of std. Dev. (2 3)
Tests
Definir las pruebas estadsticas fuera de control a ser indicadas

1 point > 3 std. Dev. From center line
7 points in a row all increasing and all decreasing
7 points in a row on same side of center line
Stages
Para mostrar diferentes etapas de desempeo del proceso

Define stages (historical groups) with this variable xxx
Box Cox
Para transformar datos sin un comportamiento normal

Optimal Lamda
Display
Si se quiere condicionar el despliegue de subgrupos

Display all subgroups Display last xx subgroups
Pgina 1 de 47
P. Reyes / Nov. 2007
Mintab V15
Store
Para guardar los datos mostrados en la carta de control

Mean; Std Dev; Point Plotted; Center line; Control limits
En este caso:
Xbar-R Chart of Supp2
1
Sample Mean
UC L=602.474
602
_
_
X=600.23
600
598
LCL=597.986
2
10
Sample
12
14
16
18
20
UC L=8.225
Sample Range
8
6
_
R=3.890
4
2
0
LCL=0
2
10
Sample
12
14
16
18
20
TEST1.Onepointmorethan3.00standarddeviationsfromcenterline.
TestFailedatpoints:2,14
Se tiene los subgrupos 2 y 14 fuera de control y el proceso no es estable y normal
Eliminando estos subgrupos DE LOS CLCULOS se tiene:
Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.
En Subgroup sizes, poner 5.
En X bar R Options seleccionar Estimate Omit the following subgroups 2 14 sel. R bar (Recalcula limites)
En Data Options seleccionar Specify which rows to exclude row numbers 6:10 66:70 (quita puntos)
Click OK OK.
El proceso ahora est dentro de control
Xbar-R Chart of Supp2
UCL=602.247
Sample Mean
602
601
599
598
2
10
Sample
12
14
16
18
20
UCL=8.465
Sample Range
Se pueden eliminar
fsicamente los datos
de los puntos que
salen de control con
LCL=597.629
Delete Cells en Minitab
iniciando por los ltimos
y al final los primeros
_
_
X=599.938
600
6
_
R=4.003
4
2
0
LCL=0
2
10
Sample
12
14
16
18
20
Carta de Control X-R usando el archivo VITA_C. MTW que contiene pesos de comprimidos
tomando 5 muestras cada 15 minutos durante un periodo de 10 horas (200 datos).
Crearemos dos columnas adicionales: Una para la hora de toma de muestra y otra para el
nmero que identifique al operario de la mquina.
Calc > Make Patterned Data > Simple Set of Date / Time Values
Pgina 2 de 47
Mintab V15
Hora de la primera y
ltima muestra
Incremento de 15 minutos
Repetir cada valor 5 veces para
cada muestra
Respecto al operario se asume que las primeras 25 muestras (125 datos) las toma el operario A y las
otras 15 (75 datos) el operario B
Habilitar comandos en la ventana de Sesin con Editor > Enable Commands
MTB > Set c3
DATA> 125 (1)
DATA> 75 (2)
DATA> end
En C3 poner
125 unos
75 doces
fin
. E Intro
Desabilitar ejecucin de comandos con Editor > Enable Commands

El nombre de la columna se pone a mano OPERARIO
Carta de control de medias usando archi VITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > Xbar
Seleccionar All observations for a chart are in one column, seleccionar Peso
Seleccionar las opciones siguientes:
Scale > Time: marcar Stamp y poner como variable Hora
Xbar Options > Tests: Marcar Perform all tests for special causes
Xbar Options > Stages: Define stages: Operario
Click OK OK.
La carta obtenida es la siguiente:
Xbar Chart of Peso by Operario
3.30
2
UCL=3.2939
Sample Mean
3.28
_
_
X=3.2671
3.26
6
LCL=3.2402
3.24
3.22
3.20
1
8:00
9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00
Hora
Los patrones anormales detectados son:

TestResultsforXbarChartofPesobyOperario
TEST5.2outof3pointsmorethan2standarddeviationsfromcenterline(on
onesideofCL).
TestFailedatpoints:23
TEST6.4outof5pointsmorethan1standarddeviationfromcenterline(on
Pgina 3 de 47
Mintab V15
onesideofCL).
Carta de control de rangos usando archivVITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > R
OK
R Chart of Peso
UCL=0.1020
0.10
Sample Range
0.08
0.06
_
R=0.0483
0.04
0.02
0.00
LCL=0
4
12
16
20
24
Sample
28
32
36
40
Carta de control de Desviacin estndar S de archivo VITA_C.MTW
Stat > Control Charts > Variables Charts for Subgroups > S
S Chart of Peso
OK
UCL=0.04073
0.04
Sample StDev
0.03
_
S=0.01950
0.02
0.01
0.00
LCL=0
4
Carta de control de lecturas individuales de archivo
12
16
20
24
Sample
28
32
36
40
CAMSHAFT.MTW
Utilizando los datos del archivo CAMSHAFT

Se copian o se carga el archivo Worksheet de Minitab CAMSHAFT.MTW
Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1. Click OK
I-MR Chart of Supp1

1
La grfica obtenida es la siguiente:
UCL=601.176
I ndividual Value
601
600
_
X=599.548
599
598
LC L=597.920
1
10
20
30
40
50
60
Observation
70
80
90
100
Moving Range
2.4
1
UCL=2.000
1.8
1.2
__
MR=0.612
0.6
0.0
LC L=0
1
10
20
30
Pgina 4 de 47
40
50
60
Observation
70
80
90
100
Mintab V15
Varios puntos salen de control por lo que el proceso no es estable:

TestResultsforIChartofSupp1
TestFailedatpoints:39,55,82
TestResultsforMRChartofSupp1
Excluyendo los puntos PARA LOS CLCULOS que salen de control se tiene:
Stat > Control Charts > Variables Charts for Individuals > I-MR.
En Variables seleccionar SUPP1
En Data Options seleccionar Specify which rows to exclude
Seleccionar Row Numbers 34 39 55 56 82
Click OK OK.
I-MR Chart of Supp1
I ndividual Value
601
UCL=600.943
600
_
X=599.531
599
598
LCL=598.118
1
2.0
10
20
30
40
50
60
Observation
70
80
90
100
Moving Range
UCL=1.735
1.5
1.0
__
MR=0.531
0.5
0.0
LCL=0
1
10
20
30
40
50
60
Observation
70
80
90
100
Repitiendo la operacin anterior para los puntos 1, 21, 36 se tiene:

Seleccionar Row Numbers 1 21 36 34 39 55 56 82
Otra alternativa es
eliminar fsicamente los
UCL=600.822
puntos que salen de
control con la opcin
_
X=599.536 Delete Cells de Minitab
I ndividual Value
I-MR Chart of Supp1

600.5
600.0
599.5
599.0
598.5
1
LCL=598.251
10
20
30
40
50
60
Observation
70
80
90
100
Moving Range
1.6
UCL=1.579
1.2
0.8
__
MR=0.483
0.4
0.0
LCL=0
1
10
20
30
40
50
60
Observation
70
80
90
100
El proceso es bastante estable

Carta de lecturas individuales usando el archivo
CLORO.MTW
Ejemplo: En una industria qumica se toma una muestra cada 15 minutos y se mide
el pH y la concentracin de cloro de la solucin, los datos se muestran en el archivo
CLORO.MTW anexo de este mdulo.
Separando las muestras del ltimo da viernes se tiene:
Pgina 5 de 47
Mintab V15
Data > Copy > Columns to Columns

Copy from columns Hora pH Cl
Nota: Nombrar las columnas C5, C6 y C7 con Hora V, pH V y Cl V respectivamente
Store copied Data in Columns In current worsheet in columns 'Hora V' 'pH V' 'Cl V'
Quitar seleccin de Name the columns containing the copied data
Seleccionar Subset the Data
Seleccionar Rows that Match Condition Fecha = DATE("08/11/2002")
funcin seleccionada Date (From text)
OK OK
Obteniendo la carta de control de lecturas individuales se tiene:
Stat > Control Charts > Variable charts for individuals > I-MR
Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
OK
I Chart of pH V
14
1
13
UCL=12.843
Individual Value
12
Uso de la funcin Stamp
11
10
_
X=9.128
9
8
7
6
LCL=5.413
5
Hora V
Cl V
6:45
21
7:30
21
8:15
20
9:00
19
9:45
20
10:30 11:15 12:00 12:45 13:30

18
19
18
20
20
Como hay un punto que se sale de control se puede omitir como sigue:
Stat > Control Charts > Variable charts for individuals > I-MR
Variable pH V
Scale > Time: Stamp 'Hora V' 'Cl V'
Data Options seleccionar Specify wich rows to exclude Row numbers 25
I Chart Options en S limits seleccionar These multiples of the standar deviation poner 1 2 3
OK
I Chart of pH V
13
+3SL=12.366
12
+2SL=11.244
Individual Value
11
+1SL=10.122
10
9
_
X=9
-1SL=7.878
Excluye el punto fuera de

control y muestra los
lmites de control a
una, dos y tres sigmas
-2SL=6.756
-3SL=5.634
5
Hora V
Cl V
6:45
21
7:30
21
8:15
20
9:00
19
9:45 10:30 11:15 12:00 12:45 13:30

20
18
19
18
20
20
Para mostrar el comportamiento por da, se usa Stages por Fecha en dos cartas para
mejor claridad (quitar todas las selecciones anteriores)
Stat > Control Charts > Variable charts for individual > I-MR
Variable pH Original
I Chart Options:
Define stages (historical group) within this variable Fecha
When to start a new value seleccionar With each new value
Display seleccionar Each Segment Contains 80 Subgroups
OK
Pgina 6 de 47
Mintab V15
I Chart of pH by Fecha
04/11/2002
14
05/11/2002
06/11/2002
12
UCL=12.370
10
_
X=8.981
Individual Value
8
6
LCL=5.592
Hora V 6:15 8:00

Cl V 19
20
10:00 12:00 14:00

21
18
20
07/11/2002
14
08/11/2002
1
UCL=12.843
12
_
X=9.128
10
8
6
LCL=5.413
Hora V
Cl V
Carta deRangos Mviles usando el archi CLORO.MTW
Stat > Control charts > Variable chart for individuals > Moving range
Variable 'pH V'
Moving Range Chart of pH V

5
UCL=4.564
Moving Range
2
__
MR=1.397
1
LCL=0
3
12
15
18
21
Observation
24
27
30
Carta de control de valores individuales y rangos mviles usando arcCLORO.MTW
Stat > Control charts > Variable chart for individuals > I-MR
Variable 'pH V'
OK
I -MR Chart of pH V
14
I ndividual Value
UC L=12.843
12
10
_
X=9.128
8
6
LCL=5.413
3
12
15
18
Observation
21
24
27
30
UC L=4.564
Moving Range
4
3
2
__
MR=1.397
1
0
LCL=0
3
Carta de control X-S usando el archivo
12
15
18
Observation
21
24
27
30
CAMSHAFT.MTW
Se utilizan los datos del archivo CAMSHAFT.MTW anexo
Pgina 7 de 47
Mintab V15
Se usa para monitorear proveedores o grupos de mquinas

funciona mejor con tamaos de muestra >= 10
Tomando los datos de SUPP2 se tiene:
Stat > Control Charts > Variables Charts for Subgroups > Xbar-S.
Existe otra alternativa Observations for a subgroup are in a row of columns
En Subgroup sizes, poner 10. Click OK.
Xbar-S Chart of Supp2

1
Sample Mean
602
UCL=601.908
601
_
_
X=600.23
600
599
LCL=598.552
1
10
Sample StDev
Sample
3
UCL=2.952
_
S=1.720
1
LCL=0.488
1
10
Sample
Como hay un punto fuera de control, se excluyen los valores 61 a 70:

En Data Options seleccionar Specify which rows to exclude Rows 61:70.
Xbar-S Chart of Supp2
Sample Mean
602
UC L=601.735
601
_
_
X=600.042
600
599
LC L=598.349
598
1
10
Sample StDev
Sample
3
UC L=2.979
_
S=1.736
1
LC L=0.492
1
10
Sample
Mintab 15
Grficas Mltiples
... > Multiple Graphs > Multiple Variables

Se usa para controlar la posicin y escalas de cartas de control mltiples creadas en
el cuadro de dilogo de las cartas
Ejemplo: Se trata de comparar a dos proveedores de levas con cartas de rangos mviles en la I-MR:
1 File > Open worksheet CAMSHAFT.MTW.
2 Stat > Control Charts > Variables Charts for Individuals > Moving Range.
3 En Variables, seleccionar Supp1 Supp2.
4 Click Multiple Graphs. Enr Scales for Different Variables, seleccionar Same Y.
5 Click OK.
Pgina 8 de 47
Mintab V15
Moving Range Chart of Supp1

7
6
Moving Range
5
4
3
1
1
UCL=2.000
__
MR=0.612
LCL=0
1
11
21
31
41
51
61
Observation
71
81
91
Moving Range Chart of Supp2

7
UCL=6.284
Moving Range
5
4
3
__
MR=1.923
2
1
0
LCL=0
1
11
21
31
41
51
61
Observation
71
81
91
En general el proveedor 2 tiene un mayor variabilidad que el proveedor 1.
6.2 Estudios del sistema de medicin R&R

Revisar la teora de estudios en sistemas de medicin en articulo en archivo R&R.doc anexo
En las mediciones se presentan dos tipos de errores:
Error por el equipo mismo se denomina error de repetibilidad
Se obtiene al repetir la misma medicin en el mismo ambiente de trabajo
y tambin por la misma persona, usando el mismo equipo.
Error de reproducibilidad
Causado por diferencias entre operadores al revisar las mediciones
Minitab ofrece varias alternativas de estudios a realizar:
1. Gage study - Tipo 1: Se usa para evaluar error de sesgo y repetibilidad previo a un estudio de R&R
2. Gage Run Chart: Anlisis grfico de los resultados como primeras conclusiones
3. Gage Linearity and Bias Study: es igual el error en todo el rango de magnitudes a medir?
4. Gage R&R Study (Crossed): Estudios de repetibilidad y reproducibilidad (R&R)
para estudios cruzados (ms comunes). Todos los operadores miden todas las piezas
varias veces, utilizados principlamente para caractersticas dimensionales.
5 Gage R&R Study (Nested): Estudios de repetibilidad y reproducibilidad (R&R). Para estudios
anidados (pruebas destructivas). Un operario mide varias piezas en lugar de una lo ms
parecidas posible (con variabilidad mnima) de forma que parezca una sola pieza.
En este caso cada operario mide solo una parte de las piezas.
6. Attribute agreement analysis: para estudios de R&R por atributos comparativos.
Pgina 9 de 47
Mintab V15
7. Atribute Gage Study (Analytical Method): Estudios R&R para atributos

(caractersticas no medibles)
Diseos Cruzados (Crossed): Los operadores miden todas las piezas dos o tres veces
normalmente caractersticas dimensionales
Diseos anidados (Nested): Cada pieza es medida por un solo operador para el caso de
pruebas destructivas, debe medir varias piezas muy parecidas entre si
(normalmente piezas producidas en forma consecutiva) casi sin variabilidad.
Mintab 15
Estudio del Gage tipo 1 (Type 1 Gage Study)
Se usa para evaluar la capacidad del sistema de medicin, evalua el efecto combinado de sesgo y
repetibilidad con base en mediciones mltiples de una sola parte.
Este estudio debe hacerse previo a cualquier otro estudio de R&R, para determinar cuanta
variabilidad de la variacin del proceso se debe a la variacin del sistema de medicin.
Se requiere al menos 10 mediciones para este estudio, aunque se sugieren al menos 25 mediciones
para un estudio adecuado. Medir la parte con un equipo de referencia, idealmente el valor debe estar
cerca del centro de la tolerancia (o una de las especificaciones).
Ejemplo: se quiere evaluar el sistema de medicin para medir los dimetros externos de flechas,
y ver si es adecuado para la tolerancia de 0.05mm
Un operador mide una flecha de referencia con dimetro conocido de 12.305 mm 50 veces.
1
File > Open worksheet SHAFT.MTW.

Diameter
12.3057
12.3009
12.3037
12.2975
12.3056
12.3033
Etc.
2 Stat > Quality Tools > Gage Study > Type 1 Gage Study.
3 En Measurement data, poner Diameter.
4 En Reference, poner 12.305.
5 En Tolerance, seleccionar Upper spec - lower spec y poner 0.05. Click OK.
Type 1 Gage Study for Diameter
Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
0.05
Diameter
Run Chart of Diameter

12.310
Ref + 0.10 * Tol
12.305
Ref
12.300
Ref - 0.10 * Tol
12.295
1
11
Basic Statistics
Reference
12.305
Mean
12.30269
StDev
0.003631
6 * StDev (SV) 0.021783
Tolerance (Tol) 0.05
16
21
26
Observation
31
Bias
Bias
-0.00231
T
4.506892
PValue
0.000
(Test Bias = 0)
36
41
46
Capability
Cg
0.46
Cgk
0.25
% V ar(Repeatability)
43.57%
% V ar(Repeatability and Bias) 81.10%
El sesgo del sistema de medicin es de -0.00231, significativamente diferente de cero

(T = 4.5, p = 0.00). Muchas de las observaciones estn por debajo de 12.305.
Cg compara la tolerancia con la variacin en la medicin. Cgk compara la tolerancia
Pgina 10 de 47
Mintab V15
contra la variacin de la medicin y el sesgo. Valores grandes de ambos indican que

la variacin del sistema de medicin comparada al rango de tolerancia. Referencia 1.33.
En este caso Cg = 0.46 y Cgk = 0.25, indicando que la variacin del sistema de medicin
es grande.
%Var (repetibilidad) se determina por Cg y %Var (repetibilidad y sesgo) determinado por Cgk.
Un valor pequeo de %Var indica una variacin pequea del sistema de medicin respecto
a la tolerancia. La referencia de los ndices de 1.33 corresponde a un % Var de 15%.
En este caso, % Var (repetibilidad) = 43.49% y %Var (repetibilidad y sesgo) = 81%, valores
mucho mayores a 15%, lo que sugiere que la variacin debida al sistema de medicin es
grande.
Los resultados anteriores indican que el sisema de medicin no puede medir partes
de manera consistente y exacta, por lo que debe ser mejorado.
Gage Run
Para los ejemplos se usa el archivo RR_Cruz.MTW anexo, contiene datos para la realizacin
de un estudio R&R en el que 3 operadores han medido 10 piezas distintas, 3 veces cada
una de manera aleatoria y sin saber cual estaban midiendo en cierto tiempo.
Anlisis grfico (Gage Run Chart):
Stat > Quality Tools > Gage Study > Gage Run Chart
Part Numbers - Pieza; Operators - Operario; Measurement data - Medicin
Trial Numbers - Orden (indica el orden en que se hicieron las mediciones).
Options - Permite poner ttulo al estudio
Gage Info: Para informacin adicional del estudio
Gage Run Chart of Medicion by Pieza, Operario
Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
5
16
12
Medicion
Mean
Operario
1
2
3
Las piezas son diferentes

ver pieza 2 y 3 versus la
8y9
8
6
10
16
12
Mean
Operario
El operario 2 tiene ms
variabilidad en sus
mediciones y adems
tiende a tener valores por
debajo de los otros 2
Panel variable: Pieza
Minitab 15
1. Llenado de columnas con datos con datos uniformes

Para crear una columna denominada ID que contiene los nmeros 1,2 3, 100, usar estos pasos:
1 Calc > Make Patterned Data > Simple Set of Numbers.
2 En Store patterned data in, teclear ID.
3 En From first value, teclear 1. En To last value, teclear 100. Click OK.
Pgina 11 de 47
Mintab V15
2. Llenado de columnas con datos arbitrarios

Para llenar una columna denominada PSI con los numeros 10, 10, 20, 20, 50, 50 seguir estos pasos:
AA
AA
1 Calc > Make Patterned Data > Arbitrary Set of Numbers.
AA
2 En Store patterned data in, poner PSI.
BB
3 En Arbitrary set of numbers, poner 10 20 50.
BB
4 En Number of times to list each value, type 2.
BB
5 En Number of times to list the sequence, type 3. Click OK.
AA
AA
3. Llenado de columnas con patrones de texto
AA
Calc > Make Patterned Data > Text Values
BB
Store patterned data in: Columna a llenar
BB
Text values (e.g., AA BB "C D"): Teclear el patrn base para el texto,
BB
Si en el texto se encuentra un espacio, encerrar entre comillas el texto.
Number of times to list each value: Indicar nmero de veces a repetir el texto en la secuencia..
Number of times to list the sequence: Nmero de veces a repetir la secuencia.
3. Llenado de datos en columna con fechas y horas
Para llenar una columna Enero con fechas 1/1/03, 1/2/03, ..., 1/31/03, seguir estos pasos:
1 Calc > Make Patterned Data > Simple Set of Date/Time Values.
2 En Store patterned data in, poner Enero.
3 En From first date/time, poner 1/1/2007. En To last date/time, poner 31/1/2007
4 Click OK
NOTA: Los formatos de fecha y tiempo se pueden cambiar en los Defaults de Windows.
4. Llenado de columnas con datos de fechas y hora arbitrarios
Para llenar la columna FECHAS con las fechas 8/26/96 "8/26/96 19:58" seguir estos pasos:
1 Calc > Make Patterned Data > Arbitrary Set of Date/Time Values
2 Date/Time values (e.g., 8/26/96 "8/26/96 19:58"): Enter the pattern of dates/times.
3 En Number of times to list each value, type 2.
4 En Number of times to list the sequence, type 3. Click OK.
Minitab 15
Generacin de una hoja de trabajo para captura de datos del estudio

Para el caso de un estudio con las mediciones de dimetros externos de electrodos,
se examinan 90 corridas de 15 partes, 3 operadores y 2 rplicas.
1 Stat > Quality Tools > Gage Study > Create Gage R&R Study Worksheet.
2 En Number of parts, poner 15.
3 En Number of operators, poner 3.
4 En Number of replicates, poner 2. Click OK.
5 En Options seleccionar Randomize run with operators
StdOrder
34
28
1
37
25
43
Etc.
RunOrder
1
2
3
4
5
6
Etc.
Parts
12
10
1
13
9
15
Etc.
Operators
1
1
1
1
1
1
Etc.
Cada operador mide las 15 partes de manera aleatoria, en rondas poesteriores se completan los
otros intentos
Estudio R&R (Crossed)
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
Part Numbers - Pieza; Operators - Operario; Measurement data - Medicin
Seleccionar Method of Anlisis - ANOVA
Options - Study variation 5.15 (99% nivel de conf.) Tolerance - 15 Tolerancia de las piezas
Gage Info: Para informacin adicional de identificacin del estudio
Pgina 12 de 47
Mintab V15
Tabla de Anlisis de Varianza (ANOVA)

Tambin se hubiera obtenido con:
Stat > ANOVA > Two way Response:Medicin Row Factor:Pieza Column Factor:Operario
TwoWayANOVATableWithInteraction
SourceDFSSMSFP
Pieza9286.03331.78143Pieza significativa
Operario245.63522.81732Operario significativo
Pieza*Operario1817.2610.9589Interaccion no significativa
Repeatability6089.2171.4869
Total89438.145
TwoWayANOVATableWithoutInteraction
SourceDFSSMSFP
Pieza9286.03331.781423.28140.000
Operario245.63522.817316.71470.000
Total89438.145
Tabla de componentes de la Varianza (informativa)
Varianza
SourceVarComp(ofVarComp)
TotalGageR&R2.0801738.10
Repeatability1.3651025.00Varianza relevante debida al equipo
Reproducibility0.7150713.10Menor varianza debida al operador
Operario0.7150713.10
PartToPart3.3795961.90
TotalVariation5.45976100.00
Usada cuando el equipo es para control del proceso
Tabla de anlisis de la Variacin
Usada cuando el equipo es para liberar producto
raiz (Varianza)
SourceStdDev(SD)(5.15*SD)(%SV)(SV/Toler)
TotalGageR&R1.442287.427761.7349.52
Repeatability1.168386.017150.0040.11
Reproducibility0.845624.354936.1929.03
Operario0.845624.354936.1929.03
PartToPart1.838379.467678.6863.12
TotalVariation2.3366112.0336100.0080.22
El % de error total debe ser de cuando ms el
NumberofDistinctCategories=10% o hasta 30% si la caracterstica no es crtica.
En algunas industrias se toma 25% como aceptable
Este nmero debe ser de al
menos 4 indicando que el equipo discrimina las partes
Se tiene las siguientes variaciones:
Repetibilidad: Variacin debida al aparato o equipo de medicin
Reproducibilidad: Variacin introducida por los operarios
Parte a parte: Variacin entre las partes real

Variacin total: Combinacin de las anteriores
Ventana de grficas
Error R&R
<10% crtica
<30% no crtica
Pgina 13 de 47
Mintab V15
Gage R&R (ANOVA) for Medicion

Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
Components of Variation
Medicion by Pieza
Percent
80
18
% Contribution
%StudyVar
% Tolerance
12
40
6
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operario
Sample Range
10
UCL=5.257
18
_
R=2.042
12
Operario 2 tiene una

Media ms baja
4
2
0
LCL=0
2
Operario
Xbar Chart by Operario

1
10.0
15.0
UCL=13.383
__
X=11.293
Average
12.5
Operario * Pieza I nteraction
15.0
Sample Mean
5
6
Pieza
Medicion by Operario
Operario
1
2
3
12.5
10.0
LCL=9.204
1
5 6
Pieza
10
Si no hay interaccin
significativa, estas
lneas son paralelas
Carta de rangos: Muestra al operario 2 con mayor variabilidad que los dems
pero aun as estan dentro de control, de otra forma debera repetir las mediciones
Cartas de Medias: Debe tener al menos el 50% de sus puntos fuera de control para
indicar que el sistema de medicin discrimina las diferentes partes adecuadamente
Ejemplo de estudio R&R (Crossed) usando el archivo de Minitab Gageaiag.Mtw
File > Open worksheet > Gageaiag (en carpeta DATA)

Realizar el estudio R&R de acuerdo a lo siguiente:
Stat > Quality Tools > Gage Study > Gage R&R Study (crossed)
Seleccionar columnas de parts, operators y measurement data
Seleccionar Method of Analysis ANOVA
En gage info introducir la informacin general del equipo y del estudio
En options introducir lo siguiente:
Study variation
5.15 (estndar industrial, corresp. al 99% de NC)
Process Tolerance
2
a) si hay dos especs. inferior y superior, introducir el rango
b) si solo hay una espec. superior introducirla en Upper spec
c) si solo hay una espec. inferior introducirla en Lower spec.
OK
Los resultados son los siguientes:
SourceDFSSMSFP
Part92.058710.22874539.71780.000
Operator20.048000.0240004.16720.033
Part*Operator180.103670.005759La interaccin si es
significativa, el operador
Total592.24913
tiene interaccin con las
partes
GageR&R
%Contribution
Reproducibility0.00314587.56
Operator0.00091202.19
Operator*Part0.00223385.37
Pgina 14 de 47
Mintab V15
Debe ser menor al 10% (AIAG)

o menores al 25% (otras industrias)
StudyVar%StudyVar%Tolerance
TotalGageR&R0.0666150.3430632.6617.15
Repeatability0.0359400.1850917.629.25
Operator0.0302000.1555314.817.78
Operator*Part0.0472630.2434023.1712.17
PartToPart0.1927810.9928294.5249.64
TotalVariation0.2039651.05042100.0052.52
Es adecuado mnimo 4
NumberofDistinctCategories=4
Gage R&R (ANOVA) for Response
Reported by :
Tolerance:
Misc:
Gage name:
Date of study:
Response by Part
Percent
100
% Contribution
1.00
%Study Var
% Tolerance
50
0.75
0.50
Gage R&R
Repeat
Reprod
Part-to-Part
Sample Range
10
Response by Operator
3
UCL=0.1252
0.10
1.00
0.75
0.05
_
R=0.0383
0.00
LCL=0
0.50
1
2
Operator
Xbar Chart by Operator

1
1.00
_
UCL=0.8796
_
X=0.8075
0.75
Operator * Part I nteraction
LCL=0.7354
0.50
Average
Sample Mean
6
Part
R Chart by Operator
1.00
Operator
0.75
2
3
0.50
1
5
6
Part
La carta R esta dentro de control
10
Si hay interaccin entre

operadores y partes,
debe revisarse el mtodo
de medicin
La carta de medias tiene ms del 50% de puntos fuera de control, lo que es adecuado
Minitab 15
Con el archivo GAGE2.MTW

Se miden tres partes represntando el rango esperado de variacin. Tres operadores miden las tres
partes, tres veces cada parte, de manera aleatoria.
1 File > Open worksheet GAGE2.MTW.

Part
3
3
3
3
3
3
3
3
3
2
2
2
2
2
2
2
2
2
1
1
1
1
1
1
Operator
3
3
3
2
2
2
1
1
1
3
3
3
2
2
2
1
1
1
3
3
3
2
2
2
Response
413.75
268.75
420.00
426.25
471.25
432.50
368.75
270.00
398.75
386.25
478.75
436.25
406.25
531.25
435.00
408.75
608.75
443.75
383.75
373.75
446.25
388.75
157.50
456.25
Trial
3
2
1
3
2
1
3
2
1
3
2
1
3
2
1
3
2
1
3
2
1
3
2
1
Pgina 15 de 47
Mintab V15
1
1
1
2
3
4
5
6
7
1
1
1
405.00
273.75
476.25
3
2
1
Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed).
En Part numbers, seleccionar Part.
En Operators, seleccionar Operator.
En Measurement data, seleccionar Response.
En Method of Analysis, seleccionar ANOVA
Click OK.
Resultsfor:Gage2.MTW
GageR&RStudyANOVAMethod
SourceDFSSMSFP
Part23899019495.22.906500.166
Operator2529264.30.039400.962
Part*Operator4268306707.40.9Si el P value de la interaccin es mayor a
Repeatability181338737437.4
0.25 se hace otra corrida de ANOVA sin
Total26200222
interaccin.
Alphatoremoveinteractionterm=0.25
TwoWayANOVATableWithoutInteraction
SourceDFSSMSFP
Part23899019495.22.668870.092
Operator2529264.30.036180.965
Repeatability221607037304.7
Total26200222
GageR&R
%Contribution
%Contribution
Porcentaje de contribucin a la varianza
total observada por el R&R es del 84.36%
Operator0.000.00
Porcentaje de contribucin por la varianza
de las partes 15.64%
StudyVar%StudyVar
SourceStdDev(SD)(6*SD)(%SV)
TotalGageR&R85.4673512.80491.85
El error total R&R de 91.85% es
Repeatability85.4673512.80491.85
inadecuado para el sistema de medicin
Reproducibility0.00000.0000.00
Operator0.00000.0000.00
PartToPart36.8036220.82139.55
TotalVariation93.0547558.328100.00
Una categora de 1 quiere decir que no
puede distinguir diferencia entre partes
Gage R&R (ANOVA) for Response
Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
Response by Part
100
% Contribution
600
Percent
% Study Var
400
50
200
0
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operator
Sample Range
400
3
UCL=376.5
200
_
R=146.3
600
400
200
LCL=0

1
400
_
X=406.2
Operator
Average
500
2
Operator
UCL=555.8
Sample Mean
2
Part
450
2
3
400
350
300
LCL=256.5
2
Part
Pgina 16 de 47
Mintab V15
LCL=0
2
3
Mdulo1 6. Control
Estadstico
del Proceso
Operator

1

Operator
Average
Sample Mean
UCL=555.8
500
_
X=406.2
400
450
2
3
400
350
300
LCL=256.5
2
Part
CartaXinadecuada,solohayvariacinaleatoria
Estudio R&R (Nested) para pruebas destructivas
Se usa el archivo RR_ANID.MTW con datos de medicin de 12 piezas realizadas
por 3 operarios. Las piezas se subdividieron en 3 grupos de 4 unidades y cada operario
midi 3 veces la pieza de un grupo, en orden aleatorio y sin saber que pieza estaba midiendo
Se trata de un diseo anidado ya que cada operador solo mide una parte de las piezas.
Stat > Quality Tools > Gage Study > Gage R&R Study (Nested)
Seleccionar columnas de part or batch numbers, operators y measurement data
En gage info introducir la informacin general del equipo y del estudio
En options introducir lo siguiente:
Study variation 5.15
Process Tolerance 10
Errores mayores a lo permitido
OK
TotalGageR&R1.373177.0718197.9270.72
Repeatability1.135295.8467680.9558.47
PartToPart0.284751.4664420.3014.66
TotalVariation1.402387.22225100.0072.22
Variacin de partes muy
pequea vesus la de
operario y equipo, el
sistema de medicin
no es adecuado
Number of Distinct Categories = 1

Gage R&R (Nested) for Medicion
Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
Medicion By Pieza ( Operario )
Percent
100
24
% Contribution
% Study Var
% Tolerance
22
50
20
0
Gage R&R
Repeat
Reprod
Pieza
Operario
Part-to-Part
Sample Range
10 11 12
C
UCL=5.170
24
4
2
_
R=2.008
LCL=0
A
Sample Mean
Medicion by Operario
22
20
Xbar Chart by Operario
Mintab 15
3
A
R Chart by Operario
A
B
Operario
24
UCL=24.196
22
_
_
X=22.142
20
LCL=20.087
En este ejemplo, tres operadores cada uno mide cinco partes, para un total de 30 mediciones.
Cada parte es nica a cada operador; nunca miden dos operadores la misma parte. Se decide realizar
un estudio R&R (anidado) para determinar cuanta variacin de la observada en el proceso se debe a
la variacin del sistema de medicin.
Part
1
1
2
2
3
3
4
4
5
5
Operator
Steve
Steve
Steve
Steve
Steve
Steve
Steve
Steve
Steve
Steve
Response
15.4257
16.8677
15.5018
15.1628
15.7251
12.8191
15.1429
13.8563
14.1119
16.5675
Part
8
9
9
10
10
11
11
12
12
13
Operator
Billie
Billie
Billie
Billie
Billie
Nathan
Nathan
Nathan
Nathan
Nathan
Response
14.325
15.1448
14.5478
16.3736
17.5779
14.0156
16.0597
14.7948
14.8448
14.2155
Pgina 17 de 47
Mintab V15
6
6
7
7
8
1
2
3
4
5
6
7
Billie
Billie
Billie
Billie
Billie
13.1025
15.5494
13.8316
14.2388
16.8403
13
14
14
15
15
Nathan
Nathan
Nathan
Nathan
Nathan
13.7057
16.4566
16.2174
15.0697
16.3231
File > Open worksheet GAGENEST.MTW.

Stat > Quality Tools > Gage Study > Gage R&R Study (Nested).
En Part or batch numbers, poner Part.
En Operators, poner Operator.
En Measurement data, poner Response.
Click Options. En Process tolerance, seleccionar Upper spec - Lower spec, poner 10.
Click OK en cada cuadro de dilogo.
Resultsfor:Gagenest.MTW
GageR&RStudyNestedANOVA
GageR&R(Nested)forResponse
SourceDFSSMSFP
Operator20.01420.007080.003850.996
Part(Operator)1222.05521.837941.425490.255
Total2941.4094
GageR&R
%Contribution
TotalGageR&R1.2893382.46Error de R&R muy alto
Processtolerance=10
SourceStdDev(SD)(6*SD)(%SV)(SV/Toler)
TotalGageR&R1.135496.8129390. El error de R&R es muy
Repeatability1.135496.8129390. alto
PartToPart0.523743.1424341.8831.42
TotalVariation1.250457.50273100.0075.03
Gage R&R (Nested) for Response
Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
Response By Part ( Operator )
Percent
100
18
% Contribution
% Study Var
16
% Tolerance
50
14
0
Gage R&R
Repeat
Reprod
Part
Operator
Part-to-Part
8 9 10
Billie
R Chart by Operator
Sample Range
Billie
Nathan
Steve
UCL=4.290
3 4
Steve
18
16
_
R=1.313
LCL=0
14
Billie

18
Sample Mean
11 12 13 14 15
Nathan
16
Billie
Nathan
Nathan
Operator
Steve
Steve
UCL=17.617
_
_
X=15.147
14
LCL=12.678
El sistema no distingue diferencias entre las partes
Pgina 18 de 47
Mintab V15
Estudios de linealidad
La linealidad se refiere a los diferentes % de error durante todo el recorrido de la escala
Se usa el archivo GAGELIN.MTW anexo
En este archivo se muestran las mediciones hechas con el patrn (Master) y
con el sistema en estudio (Response), en distintos niveles de la escala
Se puede obtener una ecuacin de
regresin de la dif. De Resp. - Master vs
Master Stat>Regression>Fitted line plot
Fitted Line Plot
Dif = 0.7367 - 0.1317 Master
S
R-Sq
R-Sq(adj)
1.0
0.239540
71.4%
70.9%
Dif
0.5
Amplitud de la
variabilidad del proceso
0.0
-0.5
-1.0
1
5
6
Master
10
Gage Linearity and Bias Study for Response

Reported by :
Tolerance:
Misc:
Gage name:
Date of study:
Predictor
Constant
Slope
Regression
95% CI
1.0
Data
Avg Bias
S
Linearity
0.23954
1.86889
Bias
0.5
0.0
Reference
Av erage
2
4
6
8
10
Gage Linearity
Coef SECoef
0.73667 0.07252
-0.13167 0.01093
R-Sq
% Linearity
Gage Bias
Bias % Bias
-0.053333
0.4
0.491667
3.5
0.125000
0.9
0.025000
0.2
-0.291667
2.1
-0.616667
4.3
P
0.000
0.000
Ecuacin
71.4%
13.2
P
0.040
0.000
0.293
0.688
0.000
0.000
Datos de promedios
-0.5
-1.0
2
6
Reference Value
10
Percent
Percent of Process Variation

10
5
0
Linearity
Bias
La ecuacin de regresin es Diferencia = 0.7367 - 0.1317 Master

Linealidad = Pendiente * Ancho de variacin del proceso = 0.1317*14.1941 = 1.8689
% De linealidad = Pendiente de la recta * 100 = 0.1317*100 = 13.17% del rango de
magnitudes a medir
Sesgo (Bias) = Promedio de diferencias entre el valor real y el valor patrn
% De sesgo = |Sesgo| / Ancho del proceso * 100 = (-0.053/14.1941)*100 = 0.3757
El sesgo introducido por el sistema de medida es aprox. del 0.4% de la
variacin total
Minitab 15
Anlisis de concordancia por atributos
Se usa para evaluar la concordancia de calificaciones nominales u ordinales dadas por diversos
evaluadores. Las mediciones son evaluaciones subjetivas dadas por las personas ms que
mediciones directas. Por ejemplo:
- Evaluacin de desempeo de automoviles
- Clasificacin de calidad de fibras como "buena" o "mala"
- Evaluacin del color del vino, su aroma, y sabor en una escala del 1 al 10.
Pgina 19 de 47
Mintab V15
En estas situaciones, las caractersticas de calidad son difciles de definir y evaluar. Para obtener
clasificaciones significativas, se utiliza ms de un evaluador para clasificar la medicin de la respuesta.
Si los evaluadores concuerdan, existe la posibilidad de que las calificaciones sean exactas. Si no
hay acuerdo, la utilidad de las calificaciones es limitada.
Por ejemplo: Una institucin evaluadora est capacitando a cinco nuevos evaluadores de la parte
escrita de una prueba. La habilidad de los evaluadores para calificar la prueba y que sea consistente
con estndares debe evaluarse. Cada evaluador califica quince reactivos en una escala de cinco puntos
(-2, -1, 0, 1, 2)
File > Open Worksheet ESSAY.MTW.
Appraiser
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Etc.
2
3
4
5
6
7
Sample
1
1
1
1
1
2
2
2
2
Etc.
Rating
2
2
2
1
2
-1
-1
-1
-2
Etc.
Attribute
2
2
2
2
2
-1
-1
-1
-1
Etc.
Stat > Quality Tools > Attribute Agreement Analysis.

En Attribute column, seleccionar Rating.
En Samples, seleccionar Sample.
En Appraisers, seleccionar Appraiser.
En Known standard/attribute, seleccionar Attribute.
Seleccionar Categories of the attribute data are ordered y click OK.

Resultsfor:Essay.MTW
AttributeAgreementAnalysisforRating
EachAppraiservsStandard
AssessmentAgreement
Appraiser#Inspected#MatchedPercent95%CI
Duncan15853.33(26.59,78.73)
Hayes151386.67(59.54,98.34)
Holmes1515100.00(81.90,100.00)
Montgomery1515100.00(81.90,100.00)
Simpson151493.33(68.05,99.83)
#Matched:Appraiser'sassessmentacrosstrialsagreeswiththeknownstandard.
Fleiss'KappaStatistics
AppraiserResponseKappaSEKappaZP(vs>0)
Duncan20.583330.2581992.259240.0119
10.166670.2581990.645500.2593
00.440990.2581991.707960.0438
10.440990.2581991.707960.0438
20.423080.2581991.638570.0507
Overall0.411760.1309243.145080.0008
Hayes20.629630.2581992.438550.0074
10.813660.2581993.151310.0008
01.000000.2581993.872980.0001
10.760000.2581992.943470.0016
20.813660.2581993.151310.0008
Overall0.829550.1341646.183070.0000
Holmes21.000000.2581993.872980.0001
11.000000.2581993.872980.0001
01.000000.2581993.872980.0001
11.000000.2581993.872980.0001
21.000000.2581993.872980.0001
Pgina 20 de 47
Mintab V15
Overall1.000000.1313057.615840.0000
Montgomery21.000000.2581993.872980.0001
11.000000.2581993.872980.0001
01.000000.2581993.872980.0001
11.000000.2581993.872980.0001
21.000000.2581993.872980.0001
Overall1.000000.1313057.615840.0000
Simpson21.000000.2581993.872980.0001
11.000000.2581993.872980.0001
00.813660.2581993.151310.0008
10.813660.2581993.151310.0008
21.000000.2581993.872980.0001
Overall0.915970.1309246.996190.0000
Kendall'sCorrelationCoefficient
AppraiserCoefSECoefZP
Duncan0.875060.1924504.497440.0000
Hayes0.948710.1924504.880160.0000
Holmes1.000000.1924505.146670.0000
Montgomery1.000000.1924505.146670.0000
Simpson0.966290.1924504.971510.0000
BetweenAppraisers
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
#Matched:Allappraisers'assessmentsagreewitheachother.
ResponseKappaSEKappaZP(vs>0)
20.6803980.08164978.33310.0000
10.6027540.08164977.38220.0000
00.7076020.08164978.66630.0000
10.6424790.08164977.86870.0000
20.7365340.08164979.02070.0000
Overall0.6729650.041233116.32100.0000
Kendall'sCoefficientofConcordance
CoefChiSqDFP
0.96631767.6422140.0000
AllAppraisersvsStandard
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
#Matched:Allappraisers'assessmentsagreewiththeknownstandard.
ResponseKappaSEKappaZP(vs>0)
20.8425930.1154707.29710.0000
10.7960660.1154706.89410.0000
00.8509320.1154707.36930.0000
10.8029320.1154706.95360.0000
20.8473480.1154707.33830.0000
Overall0.8314550.05891114.11360.0000
Kendall'sCorrelationCoefficient
CoefSECoefZP
0.9580120.086066311.10900.0000
NOTE*Singletrialwithineachappraiser.Nopercentageofassessment
agreementwithinappraiserisplotted.
Pgina 21 de 47
Mintab V15
Date of study:
Reported by:
Name of product:
Misc:
Assessment Agreement
Appraiser vs Standard
100
95.0% CI
Percent
Percent
80
60
40
20
0
Duncan
Hayes
Holmes
Appraiser
Montgomery
Simpson
Se muestran tres tablas de concordancia: Cada evaluador contra el Estndar, entre evaluadores, y
todos los evaluadores contra el estndar. Se incluyen las estadsticas de Kappa y Kendall en cada una.
En general los estadsticos sugieren un buen acuerdo. El coeficiente de Kendall entre evaluadores es
0.966317 (p=0.0000). El coeficiente de Kendall para todos los evaluadores contra el estndar es
0.958012 (p=0.0000).
La tabla de cada evaluador contra el estndar indica que Duncan y Hayes tienen baja concordancia
contra el estndar, Holmes y Montgomery concordaron en 15 de 15.
La grfica de evaluadores contra el estndar proporciona una vista de la tabla de concordancias de
cada uno de los evaluadores contra el estndar.
Con base en esto, Duncan, Hayes y Simpson requieren capaciacin adicional.
Minitab 15
Estudio de sistemas de medicin por atributos (mtodo analtico)
Los estudios de gages por atributos calculan la cantidad de sesgo y repetibilidad de un sistema
de medicin cuando la respuesta es una variable binaria por atributos. Para obtener una buena
estimacin del sesgo y la repetibilidad, se deben seguir las reglas para seleccionar las partes con
valores de referencia conocidos. El valor de referencia es la medicin continua conocida y correcta
asociada con cada parte.
Por ejemplo: un fabricante quiere medir el sesgo y la repetibilidad de un sistema de medicin por
atributos. El sistema tiene un lmitge inferior de tolerancia de -0.020 y un lmite superior de tolerancia
de 0.020.
El fabricante mide 10 partes, con valores de referencia en intervalos desde -0.050 a -0.005, a travs
del gage 20 veces.
1
File > Open worksheet AUTOGAGE.MTW.
Partnumber Reference Acceptances

1
-0.050
0
2
-0.045
1
3
-0.040
2
4
-0.035
5
5
-0.030
8
6
-0.025
12
7
-0.020
17
8
-0.015
20
9
-0.010
20
10
-0.005
20
2
3
4
Stat > Quality Tools > Gage Study > Attribute Gage Study (Analytic Method).
En Part numbers, seleccionar Part number.
En Reference values, seleccionar Reference.
Pgina 22 de 47
Mintab V15
5
6
Click Summarized counts y seleccionar Acceptances. En Number of trials, poner 20.

Click Lower limit and poner -0.020. Click OK.
Attribute Gage Study (Analytic Method) for Acceptances

Reported by :
Tolerance:
Misc:
Gage name:
Date of study:
Bias:
Pre-adjusted Repeatability:
Repeatability:
99
0.0097955
0.0494705
0.0458060
95
AI A G Test of Bias = 0 vs not = 0

T DF
P-Value
6.70123 19 0.0000021
50
Probability of Acceptance
Percent of Acceptance
Fitted Line: 3.10279 + 104.136 * Reference

R - sq for Fitted Line:
0.969376
80
20
-0.05
-0.04
-0.03
-0.02
-0.01
Reference Value of Measured Part
L Limit
1.0
0.5
0.0
-0.050
-0.025
0.000
Reference Value of Measured Part
El sesgo del sistema de medicin es 0.0097955, y la repetibilidad ajustada es 0.0458060.

La prueba del sesgo indica que es significativamente diferente de cero (t = 6.70123, df=19, p=0.00)
lo anterior sugiere que hay sesgo presente en el sistema de medicin por atributos.
6.3 Estudios de capacidad de procesos para variables normales

Capacidad de procesos en base a carta X media - R
Para la teora revisar el artculo Capacidad de proceso.doc anexo
Se usa el archivo de datos VITA_C.MTW de pesos de comprimidos anexo.
La capacidad del proceso es la capacidad que tiene para cumplir especificaciones una
vez que muestra estabilidad o esta dentro de control estadstico.
Stat > Quality Tools > Capability Anlisis > Normal

Seleccionar R bar
Especificaciones
Boundary se usa cuando
es imposible tener piezas
fuera de este lmite
Los resultados se muestran a continuacin:
Sigma = R medio / d2 (constante)
El proceso debe estar en control
Variabilidad dentro de subgrupos (Within)

Variabilidad global (Overall)
Sigma = Desv. Estandar / c4 (cte.)

No importa si el proceso est
fuera de control estadstico
Process Capability of Peso

LSL
USL
Within
Overall
Process Data
LSL
3.08750
Target
*
USL
3.41250
Sample Mean
3.24312
SampleN
200
StDev(Within)
0.02136
StDev(O verall) 0.02917
Potential (Within) Capability

Cp
2.54
CPL
2.43
CPU
2.64
Cpk
2.43
CCpk 2.54
Cp y Cpk a partir de
Std. Dev. Within
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
3.10
3.15
3.20
3.25
3.30
3.35
3.40
1.86
1.78
1.94
1.78
*
Pgina 23 de 47
Mintab V15

LSL
USL
Within
Overall
Process Data
LSL
3.08750
Target
*
USL
3.41250
Sample Mean
3.24312
SampleN
200
StDev(Within)
0.02136

Cp
2.54
CPL
2.43
CPU
2.64
Cpk
2.43
CCpk 2.54
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
1.86
1.78
1.94
1.78
*
Pp y Ppk a partir de
Std. Dev. Overall
Tanto el Cpk como Ppk

deben ser mayores a
O bserved Performance
Exp. Within Performance
Exp. O verall Performance
uno para que el proceso
PPM<LSL 0.00
PPM<LSL 0.00
PPM<LSL 0.05
PPM>USL 0.00
PPM>USL 0.00
PPM>USL 0.00
sea capz, de otra
PPMTotal
0.00
PPMTotal
0.00
PPMTotal
0.05
forma deben investigarse
las causas especiales
Partes por milln fuera observadas, en base a Std. Dev. Within, en base a Std. Dev. Overall
3.10
3.15
3.20
3.25
3.30
3.35
3.40
Visualizacin de las variaciones:

Con una grfica Scatterplot se tiene:
Subgrupo
2
4
5
6
12
13
14
15
6
7
8
10
C4 = 4(n - 1) / (4n - 3)
Scatterplot of Medidas vs Subgrupo
1
1
1
1
2
2
2
2
3
3
3
3
20
15
Medidas
Medidas
10
0
1.0
1.5
Var 1=2.92
Desv. Std. Overall = raiz (17.91) = 4.23
Se aplica una constante de correccin
C4 que en este caso es 0.9776
2.0
Subgrupo
Var 2=1.67
2.5
Var 3 = 2.92
Var Within = Promedio de Var 1, Var 2 y Var 3 = 2.5

Desv. Std. Within = raiz (2.5) = 1.58
Capacidad de procesos en base a carta I-MR

Ejemplo: Se mide el porcentaje de humedad en muestras tomadas cada 15 minutos de
alimentos para perros, su especificacin es del 6 al 15%
Los valores obtenidos son los indicados en el archivo HUMEDAD.MTW anexo:
Stat > Quality Tools > Capability Anlisis > Normal

Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12
Estimate seleccionar R bar

OK
Process Capability of % Humedad
LSL
USL
Within
Overall
Process Data
LSL
6.00000
Target
*
USL
12.00000
Sample Mean
10.85938
SampleN
32
StDev(Within)
1.16392
StDev(Overall) 1.43526

Cp
0.86
CPL 1.39
CPU 0.33
Cpk
0.33
CCpk 0.86
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
6.4
Observed Performance
PPM<LSL
0.00
PPM>USL 156250.00
PPMTotal
156250.00
8.0

PPM<LSL
14.90
PPM>USL 163546.85
PPMTotal 163561.75
9.6
11.2
3.0
El Cpk es menor a 1
el proceso no es
capaz para cumplir
con especificaciones
0.70
1.13
0.26
0.26
*
12.8
Exp. Overall Performance

PPM<LSL
354.96
PPM>USL 213388.49
PPMTotal 213743.45
El proceso no tiene una capacidad suficiente de Cpk >1
Pgina 24 de 47
Mintab V15
Opcin Six Pack para una informacin resumida:
Stat > Quality Tools > Capability Sixpack > Normal

Seleccionar Single Column %Humedad Subgroup size 1
Lower Spec 6 Upper spec 12
Estimate sel. R bar
Process Capability Sixpack of % Humedad
OK
I Chart
Capability Histogram
I ndividual Value
15
UCL=14.351
12
_
X=10.859
9
3
LCL=7.368
12
15
18
21
24
27
30
8.0
Moving Range
Moving Range Chart

UCL=4.290
9.6
12.8
__
MR=1.313
LCL=0
3
12
15
18
21
24
27
30
10
Last 25 Observations
Values
11.2
Normal Prob Plot

AD: 0.315, P: 0.527
12
14
Capability Plot
Within
StDev 1.16392
Cp
0.86
Cpk
0.33
CCpk
0.86
12
10
8
Within
Overall
Overall
StDev 1.43526
Pp
0.70
Ppk
0.26
Cpm
*
Specs
10
15
20
Observation
25
30
Identificando posibles causas con una grfica de serie de tiempo se tiene:

Trend Analysis Plot for % Humedad
Stat > Time series > Trend Analysis

Variables %Humedad
seleccionar Linear
OK
Variable
Actual
Fits
13
AccuracyMeasures
MAPE
8.53237
MAD
0.88705
MSD
1.31670
%Humedad
12
11
10
9
Se observa que el %
ha ido aumentando con
el tiempo por alguna
razn a lo largo del da
Minitab 15
LinearTrendModel
Yt = 9.42198 + 0.0871151* t
14
8
7
3
12
15
18
Index
21
24
27
30
Capacidad de proceso considerando la variabilidad dentro y entre subgrupos

Cuando la variabilidad dentro de los subgrupos puede ser significativa, es mejor utilizar esta opcin
Por ejemplo si toman 3 muestras de 25 rollos consecutivos y se mide el espesor de su recubrimiento.
que debe ser de 50 +- 3 mm para cumplir especificaciones:
1
2
3
4
File > Open worksheet BWCAPA.MTW.

Stat > Quality Tools > Capability Analysis > Between/Within.
En Single column, seleccionar Coating. En Subgroup size, seleccionar Roll.
En Lower spec, poner 47. En Upper spec, poner 53. Click OK
Between/ Within Capability of Coating
LSL
USL
Process Data
LSL
47
Target
*
USL
53
Sample Mean
49.8829
Sample N
75
StDev(Between) 0.685488
StDev(Within)
0.40608
StDev(B/W)
0.79674
StDev(O verall)
0.838488
B/W
Overall
B/W Capability
Cp
1.26
CPL 1.21
CPU 1.30
Cpk 1.21
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
47
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
48
Exp. B/W Performance

PPM < LSL 148.20
PPM > USL 45.72
PPM Total
193.92
49
50
51
52
1.19
1.15
1.24
1.15
*
53

PPM < LSL 292.72
PPM > USL 100.61
PPM Total
393.34
Pgina 25 de 47
Mintab V15
Cpm
*
Mdulo 6. Control Estadstico
del Proceso
47
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
48
Exp. B/W Performance

PPM < LSL 148.20
PPM > USL 45.72
PPM Total
193.92
49
50
51
52
53

PPM < LSL 292.72
PPM > USL 100.61
PPM Total
393.34
El Cpk es de 1.21 indicando que el proceso es justamente capaz pero puede ser mejorado.
El total de PPM es de 193.4 indicando que todava se puede mejorar el proceso.
Capacidad de proceso para mltiples variables (normal)
Por ejemplo se quiere evaluar el espesor durante la maana y tarde. Se miden 5 muestras de 10 cajas
producidas en cada turno. El espesor debe estar entre 10.44 y 10.96 mm.
1
2
3
4
5
6
File > Open worksheet MCAPA.MTW.

Stat > Quality Tools > Capability Analysis > Multiple Variable (Normal).
En Variables, seleccionar Thickness. En Subgroup sizes, poner 5.
Seleccionar By variables, y Shift.
En Lower spec, poner 10.44. En Upper spec, poner 10.96.
Click OK.
ProcessCapabilityofThicknessbyShift
ProcessData
ShiftLSLTargetUSLSampleMeanSampleNStDev(Within)
110.44*10.9610.8948500.0234052
210.44*10.9610.8892500.0234052
ShiftStDev(Overall)
Capability Histograms of Thickness by Shift
10.0218753
Shift = 1
LSL
USL
20.0225732
10.0
Within
Within
Overall
Potential(Within)Capability Cp 3.703 7.5
Overall
CPL 6.477
ShiftCpCPLCPUCpk
5.0
Pp
3.962
CPU 0.929
PPL
6.930
Cpk 0.929
13.7036.4770.9290.929
2.5
PPU 0.994
23.7036.3971.0081.008
Ppk
0.994
0.0
10.495 10.565 10.635 10.705 10.775 10.845 10.915
Cpm
*
OverallCapability
Shift = 2
ShiftPpPPLPPUPpkCpm LSL
USL
Within
Within
13.9626.9300.9940.994*
10.0
Overall
Cp
3.703
23.8396.6331.0451.045*
7.5
Overall
CPL 6.397
Pp
3.839
CPU 1.008
5.0
ObservedPerformance
PPL
6.633
Cpk 1.008
PPU 1.045
ShiftPPM<LSLPPM>USLPPMTotal2.5
Ppk
1.045
0.0
10.000.000.00
10.495 10.565 10.635 10.705 10.775 10.845 10.915
Cpm
*
20.000.000.00
Probability Plots of Thickness by Shift
Exp.WithinPerformance
Shift = 1
ShiftPPM<LSLPPM>USLPPMTotal
Normal - 95% CI, AD: 0.527, P: 0.171
10.002670.582670.58
99
90
20.001243.301243.30
50
Exp.OverallPerformance
10
ShiftPPM<LSLPPM>USLPPMTotal
1
10.82
10.84
10.86
10.88
10.90
10.92
10.94
10.96
10.001438.771438.77
20.00855.01855.01
Shift = 2
Normal - 95% CI, AD: 0.556, P: 0.144
99
Los Cpks y Ppks no cumplen con

la referencia de la industria de 1.33
90
50
10
1
10.82
10.84
10.86
10.88
10.90
10.92
10.94
10.96
6.4 Estudios de capacidad de procesos para variables no normales

Minitab 15
Cuando los datos no son normales, se pueden intentar transformar con:
Transformacin de Box Cox (para datos agrupados en subgrupos de tamao n >1 y con valor positivo)
Identifica la potencia lamda a la que hay que elevar los datos para que sigan una distribucin normal.
Ejemplo: Se mide la torcedura que tienen los ladrillos en un horno, los datos se encuentran
en el archivo TILES.MTW anexo. Se miden 10 ladrillos diarios por 10 das.
Pgina 26 de 47
Mintab V15
Histogram of Warping
14
12
Frequency
10
8
6
4
2
0
4
Warping
Se observa una distribucin no normal

Haciendo una prueba de normalidad con:
Stat > Basic statistics > Normality test

Variable Warping
Anderson Darling
Se obtiene un valor P de 0.01 indicando que los datos no son normales.
Ahora se transforman los datos por el mtodo de Box Cox:
1
2
3
File > Open worksheet TILES.MTW.

Seleccionar Stat > Control Charts > Box-Cox Transformation.
En Single column, seleccionar Warping. En Subgroup size, poner 10. Click OK.
Box-Cox Plot of Warping
Lower CL
40
Upper CL
Lambda
(using 95.0% confidence)
StDev
30
Estimate
0.43
Lower CL
Upper CL
0.20
0.65
Rounded Value
0.50
20
10
Limit
0
-2
-1
1
2
Lambda
Por tanto el exponente al que hay que elevar los datos es 0.5 o sacar raz cuadrada.
Haciendo el anlisis conisderando esta transformacin de datos se tiene:
1 Stat > Quality tools > Capability analysis > Normal

2 Single column - Warping Subgroup size - 10 Lower spec 0 Upper Spec 8
3 Seleccionar Box-Cox power transformation (W = Y**Lambda). Choose Lambda = 0.5 (raz cuadrada).
Process Capability of Warping
Using Box-Cox Transformation With Lambda = 0.5
LSL*
USL*
transformed data
Process Data
LSL
0
Target
*
USL
8
Sample Mean
2.92307
Sample N
100
StDev(Within)
1.75687
Within
Overall
Cpk = 0.76 el proceso

no es capaz de cumplir
especificaciones, est por
debajo de la referencia
Overall Capability
de 1.33.
Pp
0.88

Cp
0.89
CPL 1.03
CPU 0.76
Cpk 0.76
After Transformation
LSL*
Target*
USL*
Sample Mean*
StDev(Within)*
StDev(O verall)*
0
*
2.82843
1.62374
0.52794
0.537984
PPL 1.01
PPU 0.75
Ppk 0.75
Cpm
*
0.0
PPM < LSL
0.00
PPM > USL 20000.00
PPM Total 20000.00
0.4
0.8

PPM < LSL* 1050.35
PPM > USL* 11248.77
PPM Total
12299.11
1.2
1.6
2.0

PPM < LSL*
1271.42
PPM > USL* 12569.47
PPM Total
13840.90
2.4
2.8
Ppk es igual a 0.75

el proceso dista mucho
de estar por debajo de la
referencia de 1.33
Pgina 27 de 47
Mintab V15 LSL*
Target*
USL*
Sample Mean*
StDev(Within)*
StDev(O verall)*
Pp
0.88
Mdulo 6. Control Estadstico
del Proceso
PPL 1.01
0
*
2.82843
1.62374
0.52794
0.537984
PPU 0.75
Ppk 0.75
Cpm
*
0.0
PPM < LSL
0.00
PPM > USL 20000.00
PPM Total 20000.00
0.4
0.8

PPM < LSL* 1050.35
PPM > USL* 11248.77
PPM Total
12299.11
1.2
1.6
2.0
2.4
2.8

PPM < LSL*
1271.42
PPM > USL* 12569.47
PPM Total
13840.90
Transformacin de Jonhson (aplicable a datos individuales) alternativa de Box Cox

Para datos no normales, esta transformacin selecciona una funcin de tres familias
de distribuciones de una variable, que son fcilmente transformadas a una distribucin normal.
Las distribuciones son Sb, Sl y Su, donde B, L y U se refieren a la variable que se acota,
lognormal y no acotada. Minitab muestra los valores P para las distribuciones original y transformada
para comparacin. No siempre se encuentra la funcin ptima.
Para el ejemplo de los ladrillos:
1 File > Open worksheet TILES.MTW. Graph > Histogram > Simple Variable = Warping
2 Seleccionar Stat > Quality Tools > Johnson Transformation.
3 En Data are arranged as, seleccionar Single column; seleccionar Warping.
4 En Store transformed data in, seleccionar Single column; seleccionar C2.
5 Click Options.
Graph > Histogram > Simple Variable =C2
6 En P-Value to select best fit, poner 0.05. Click OK en cada cuadro de dilogo.
J ohnson Transformation for Warping
99.9
N
100
AD
1.028
P-Value 0.010
99
Percent
90
50
10
1
Select a Transformation
P-Value for AD test
Probability Plot for Original Data
0.6
0.8
0.6
0.4
0.2
Ref P
0.0
0.2
0.1
-5
0.8
Z Value
(P-Value = 0.005 means <= 0.005)
10
0.4
0.6
1.0
1.2
Probability Plot for Transformed Data
99.9
N
100
AD
0.231
P-Value 0.799
99
Percent
90
50
P-Value for Best F it: 0.798895

Z for Best F it: 0.6
Best Transformation Type: SB
Transformation function equals
0.882908 + 0.987049 * Ln( ( X + 0.132606 ) / ( 9.31101 - X ) )
10
1
0.1
-2
Los datos originales no siguen una distribucin normal: AD = 1.028, P = 0.01

Los datos transformados indican que siguen una distribucin normal: AD = 02310, P = 0.799
La grfica de dispersin de P vs Z indica que sobre el rango de 0.25 a 1.25 la funcin que mejor
ajusta es la de Z = 0.6.
La funcin de transformacin es: Y = 0.882908 + 0.987049*ln((X+0.132606)/(9.31101-X))
Identificacin de la funcin que mejor ajuste los datos, previo a la capacidad de datos no normales:
Se puede seleccionar o identificar una funcion de entre 14 tipos parametricos:
Por ejemplo para el caso de los ladrillos:
1 File > Open worksheet TILES.MTW.
2 Stat > Quality Tools > Individual Distribution Identification.
3 En Data are arranged as, seleccionar Single column, seleccionar Warping.
4 Seleccionar Use all distributions. Click OK.
DistributionIDPlotforWarping
DescriptiveStatistics
NN*MeanStDevMedianMinimumMaximumSkewnessKurtosis
10002.923071.785972.607260.281868.090640.7077250.135236
BoxCoxtransformation:Lambda=0.5
Johnsontransformationfunction:
0.882908+0.987049*Ln((X+0.132606)/(9.31101X))
GoodnessofFitTest
DistributionADPLRTP
Normal1.0280.010
Pgina 28 de 47
Mintab V15
BoxCoxTransformation0.3010.574
Lognormal1.477<0.005
3ParameterLognormal0.523*0.007
Exponential5.982<0.003
2ParameterExponential3.892<0.0100Cuando varias distribuciones ajustan
Weibull0.248>0.250
los datos, hacer lo siguiente:
3ParameterWeibull0.3590.4670Seleccionar la distribucion con el valor
SmallestExtremeValue3.410<0.010
mas alto de P, o que se ha usado antes
LargestExtremeValue0.5040.213
con este tipo de datos o la que de la
Gamma0.4890.238
capacidad de proceso mas conservadora.
3ParameterGamma0.547*0.763
Logistic0.879Prueba P de mxima verosimilitud (ML R) para comparar si
Loglogistic1.239<0.005
con dos parmetros se
3ParameterLoglogistic0.692*0.085
obtiene lo mismo que con
JohnsonTransformation0.2310.799
tres parmetros para
diversas distribuciones
MLEstimatesofDistributionParameters
DistributionLocationShapeScaleThreshold
Normal*2.923071.78597
BoxCoxTransformation*1.623740.53798
Lognormal*0.844290.74444
3ParameterLognormal1.378770.418431.40015
Exponential2.92307
2ParameterExponential2.667880.25518
Weibull1.6936Esta distribucin ajusta mejor a los datos
3ParameterWeibull1.504912.99693 por maxima verosimilitud
SmallestExtremeValue3.864131.99241
LargestExtremeValue2.095751.41965
Gamma2.342801.24768
3ParameterGamma2.127681.332080.08883
Logistic2.795901.01616
Loglogistic0.909690.42168
3ParameterLoglogistic1.304330.269971.09399
JohnsonTransformation*0.011200.99495
*Scale:AdjustedMLestimate
Probability Plot for Warping
2-Parameter Exponential - 95% CI
99.9
99.9
90
90
50
50
Percent
Percent
Exponential - 95% CI
10
1
0.1
0.001
0.010
0.100
1.000
10.000 100.000
Weibull - 95% CI
0.010 0.100 1.000 10.000

Warping - Threshold
3-Parameter Weibull - 95% CI
99.9
99.9
90
90
50
50
Percent
Percent
2-Parameter Exponential
AD = 3.892
P-V alue < 0.010
Warping
10
1
0.1
0.01
Exponential
AD = 5.982
P-V alue < 0.003
10
0.1
0.001
Goodness of Fit Test
Weibull
AD = 0.248
P-V alue > 0.250
3-Parameter Weibull
AD = 0.359
P-V alue = 0.467
10
1
0.10
1.00
Warping
10.00
0.1
0.1
1.0
10.0
Warping - Threshold
Por lo anterior se seleccionar la Distribucin de Weibull de dos parmetros para el
Pgina 29 de 47
Mintab V15
anlisis de capacidad con datos no normales

Mtodo de Weibull - Se aplica para distribuciones sesgadas a la derecha (es aplicable a otras distribuciones)
1 File > Open worksheet TILES.MTW.
2 Stat > Quality Tools > Capability Analysis > Nonnormal.
3 En Data are arranged as, seleccionar Single column, seleccionar Warping.
4 En Fit data with, seleccionar Distribution, seleccionar Weibull.
5 En Upper spec, poner 8. Click OK.
Se pueden utilizar otras distribuciones que mejor ajusten
Process Capability of Warping
Calculations Based on Weibull Distribution Model
LB
USL
Process Data
LB
0.00000
Target
*
USL
8.00000
Sample Mean 2.92307
SampleN
100
Shape
1.69368
Scale
3.27812
O verall Capability
Pp
*
PPL
*
PPU
0.73
Ppk
0.73
Ppk es igual a 0.73

el proceso dista mucho
de estar por debajo de la
referencia de 1.33

PPM<LB
*
PPM>USL 10764.5
PPMTotal
10764.5
PPM<LB
0
PPM>USL 20000
PPMTotal 20000
0.0
1.5
3.0
4.5
6.0
7.5
Capacidad de proceso para variables mltiples no normales

Por ejemplo se trata de evaluar dos mquinas para empacar comida congelada
con peso de 31 +- 4 onzas. Se seleccionan 50 muestras de 50 paquetes de cada mquina y se pesan:
0.1
LCL=0.0255
Binomial Plot
15
10
Average Total I nspection

Average Total Inspection
Cumulative Sum
Generalized
Variance
Tsquared
Proportion
90 10
7.5
0.8
DPU
Generalized
Variance
% Defective
0
75
20
0.050
3
6
9
12 15 18 21 24 27 30
1.2
50
1.2 0 Observed10
UCL=13.61
100 3.5547
Defectives
Sample
201.5
_
0.045
0.8
0.8
7.5
104 3.5547
-2.5
7
P=0.222
15
Cumulative 1
% Defective
0.2
10 Dist of % Defective
10
5.0
120
3
4
0.6 15 50
25
100
15000000
0.6
UCL=2.900
50 10
UCL=5.68
Tar
LCL=-3.82
ProcessCapabilityofWeightbyMachine
0.045
Summary
_ Stats
24.0
5.0
5.0
10.0
0.8
n sample size
0.040
_
20
LCL=0.0457
(using 95.0% confidence)
-5.0
10
6815
U=3.15
0 P=0.03812 UCL=94.20
1
22.5
50.0
151.0
% Defective:
19.29
0 7.522 0 24_
k critical distance
2.5
2 32 6 94 12 615 18 8 21 2410 27 30
12
14 0.016
18
200.0
22.5
UCL=13.61
Distribution:LargestExtremeValue
15
30
90
0.1 100
Lower C I :
17.25
25
8
0.6
21.00.6
Upper C I :
_3630010 Median=1.36
10
1 30Sample
010
10
00
150520 Defectives
45015
600 20
0.6
5
Observed
U=9.87
0.035
0.040
Sample
26
28
32
121.45
5.0 34
2.5
Target:
0.00
0 6
ProcessData
19.5
P=0.03867
I ncoming Lot Percent Defective
0.0
__
1
PP M Def:
192857
_
0.0
LCL=0
Incoming
Lot
0
Defectives
Per
Million
10000000
UCL=87.3
10
_
Incoming
Lot
Percent
Defective
2.5
_ 26.75
16 80
Lower C I :
172495
UCL=15.61
28.25
29.75
31.25
0
18.0
1
4
7
10
13
16
19
22
25
28
31
NP=5.28
10
4
__
Cumulative
%
Defective
Dist
of
%
Defective
60.5
10 4 8 12 16 20 24 28 32Machine
Upper C I :
X=0.442
0.0
2.5
5.0
80
=5214517
2
0.030
36 40
MachineLSLTargetUSLSampleMeanSampleNLocationScale
X=0.442
0.6
0.0
Process
Z:
0.8674
Sample
0.0
010TI15
ACI,
verage
Total
nspection
0 200
5(A
)Total
Curve
20 _
25 NP=5.39
30 35
5
10
15
20
25
30
00.035
0 I P:
400
600
Tar
Lower
CI :
0.7908
12
Observed
Largest
Extreme
Value
- 95%
AD:
> 0.250
Average
I nspection
(ATI
) Curve
Summary
Stats 0.341,
Sample
50.4
Sample
_ I nspection
Average
Total
(ATI
)Defects
Curve
Machine
=2
4
Upper C I :
0.9444
0.4
3
70
C=69.24
127*3530.57665029.94091.12097
0.4
I ncoming
Lot Defectives
Per Million
5000 confidence)
(using 95.0%
99
0
Target=0
C=63.4
30.0
16
0.025
4
_
LSL UCL=19.71
208 60
5000
-1
50.0
Target=0
5000000 Cumulative DPU
R=7.38
LCL=0.02308
0.030
% Defective: 0 22.20 2200
2-2.5
Dist of DPU
12
227*3530.36865029.79411.04393
27.5 605
Lower CI :
20.12
12
2
I nspection
A T I 16
) Curve
9040.020
2Average
4
6T otal
8LCL=0.30
10
12 (14
18 20 22
24
150
-2
Upper CI :
24.39
LCL=-2.017
1700 Stats
0.4
2
9Tar
Summary
OverallCapability
1
-10
40
0.2
LCL=39.5
0.2
4
16
-5.0
Sam
ple
3
6
9
12
15 Target:
18 3000
21
24
27
30
25.0
0.00
| S|
=1711331
8
00.025
Target=0
3000
-0.5
50
118
LCL=-5.68
5000.2
3
9
12
15Sam
21
24
27
30
16
LCL=0
95.0%
confidence)1
ple
PPM Def: (using
222000
1200
LCL=0.02292
6
MachinePpPPLPPUPpk
10 00
2200
-3
1 1 20
1
LCL=0
Median=1.36
0 4 6 6 8 8 1010Sample
LCL=0
22.5
10
4
12
14
16
18
22 4 24
24
LCL=44.28
:
201196
12 Lower
14 CI
16
18
20 22
22
0 2 222 with
66 sample
88 10
12
14
18
1 4
Mean
Def:
116
12LCL=0
4unequal
10
14
16
18
2020
22 3.1500
2424
Tests performed
sizes12
20
Sample
0
0.020
0.1 340
Upper1000
CI13
:
243898
10.841.330.660.66
3
Sample
3 unequal
5 sample
7 sizes
9 Sample
11
15 CI700
17 2.6240
19
Sam
ple
Tests
Lower
1700
20.0
5performed
-4 111 with
7
35
5648
63
70
LCL=-0.978
1 14
2 21
3
428
5 31
6 Z:42
7
849
9:1000
100 34
11
12
-1.0
0.0
6
12
18
24
30
36
42
54
60
27
28
29
30
32
33
35
36 | S| =4.22
Process
0.7655
0.0
3
6
9
12
15
18
21
24
27
30
14
35
42 Upper
49
563.7505
63 2060
7040 50 60
Sample
0.2
6
12 20 21
1825 28
24
30
36
42
54
CI200
: 48
0 10
70
0.0 1511 7
10 4 15
30 Sample
20.901.350.740.74
Lower
CI :
0.6938 22
16
19
25 22
2824 30 31
Sample
8 0
Sample
2
4Sample67 8 10 10 13Sample
12
14
16
18
20
Sample
Sample
Mean
3.1500
1200DPU:
Upper
CI
:
0.8374
26.75 LCL=0 28.25
29.75
31.25
2
4
6
8
10
12
14
16
18
20
22
24
0
0
150
300
450
600
Sam
ple
0
10
20
0
10
0
150
20
300
450
600
2
Sample
ObservedPerformance
Lower
CI
:
2.6240
0
5
10
15
20
0 25 Lot5Defectives
10
20
Lot Defectives
Lot Percent
1
4
7Defective
10Per Million
13 Sample
16
19 Lot Percent
22 Defective
28 4
31
Per Million 15
0.0
USL
Overall
Pp
0.84
PPL 1.33
PPU 0.66
Ppk 0.66
Expected Defects
_
P=0.1929
AO Q (Defectives Per Million)
Sample Count T
Per
Unit
squared
Sample Mean
% Defective Count
Sample
Per Unit
Sample
Range
Proportion
Probability
of
Acceptance
Proportion
Sample
Count
Cumulative
SumProportion
Sample
Count
Sam
ple
Count
Probability
of
Acceptance
Probability
Sample
of
Acceptance
Count
Cumulative
Sum
MEWMA
Cum
ulative
Sum
Probability
of
Acceptance
EWMA
Moving
Average
0.2
AOQ (Percent Defective)
UC L=0.3602
Expected Defectives
Expected Defectives
P Char t
0.3
AOQ (Defectives Per Million)

AOQ (Percent Defective)
1 File > Open worksheet MNCAPA.MTW.

2 Seleccionar Stat > Quality Tools > Capability Analysis > Multiple Variable (Nonnormal).
3 En Variables, seleccionar Weight.
BinCharacteristic
omial
Process
Capab
ility
Analysis
Descontentos
A
verage Outgoing
Quality
( A OQ) Outgoing
Curve
4AO
Seleccionar
BY
variables
seleccionar
Machine.
Probability
Plots
Weight
byof
Machine
Pa
Average
Quality
(AOQ)
Curve
Operating
Curve
Xbar-R
Chart
of AtoBDist
Average
Outgoing
(AOQ)
Curve
P(OC)
Chart
of
Defectuosos
Vm
ask
ChartQuality
of
AtoBDist
Operating
Characteristic
(OC)
Curve
Binomial
Process
Capability
Analysis
of Descontentos
0.03
C
Chart
of
Visitas
Operating
Generalized
Characteristic
Variance
(OC)
Curve
Chart
ofChart
HeartRate,
...,
Weight
NP
Chart
of
Defectuosos
U Chart
of
Numero
manchas
NP
Chart
of
Defectuosos
Vmask
Chart
of
AtoBDist
AOQL=1.55%
Tsquared
Chart
of
Stay,
Satisfaction
Tsquared-Generalized
Variance
of Stay,
Satisfaction
P
Chart
of
Defectuosos
Curva
OC
Capability
Histograms of Weight by Machine
EWMA
Chart
of=
AtoBDist
A verage
Quality
(AOQ)
n Curve
c
CUSUM
Chart
of
AtoBDist
Poisson
Capability
Analysis
of
Num.
defectos
Operating
Characteristic
(OC)
Curve
C
Chart
Visitas
4Q5.0En
Fit
data
1
with,
seleccionar
Distribution
yOutgoing
seleccionar
Largest
extreme
value.
1
Machine
1 of
UCL=4.70
Vmask
Chart
ofof
AtoBDist
2.4
Average
Chart
AtoBDist
100
P Chart Moving
Binomial
Plot
Multivariate
EWMA
Chart
of
Weight,
Length
2.4
1.0
p
160
25
52
0
0.055
40
14
1.0
Largest
Extreme Value - 95% CI, AD: 0.335, P: > 0.250
1.0
con
UCL=20920973
n
k Machine = 1
0.055
1 poner
UCL=0.05316
1 U Chart
12
120
52 2Poisson Plot
UCL=11.98
5 20
EIn
Lower
spec,
27.
En
Upper
100
spec,
poner
35.
1
UCL=0.05441
2.5 25
2.0
9
5
10.0
0.6
1.8 p
99
LSL
1.020000000
75
20
1.8 30
50 3.5547
UCL=8.634
_
UCL=1.861
UCL=19.44
_
0.050
20
UCL=8.474
n =
sample
size
n
=
89,
c
2
UCL=12.16
140
6 150.00.4
Click
OK.
20
X=0.44
75 3.5547
12
84
10.0
7.5
110
6 c acceptance number
UCL=0.3983
20
30
700CI :
Upper
3.7505
Lot Percent Defective
Sample
Lot Percent Defective
MachinePPM<LSLPPM>USLPPMTotal
Min DPU:
0.0000
Sam
ple
0.0
1 Size = 104, Critical Distance = 3.55750
200
0
10.000.000.00
Max
DPU:
6.0000
Sample Size = 52, Acceptance Number = 2
0 1
2 3
10
20
30
40
Targ DPU:
0.0000
0
200 Sample
400
600
20.000.000.00
0
200
400
600
Lot Defectiv es Per Million
Lot Defectives Per Million
Exp.OverallPerformance
MachinePPM<LSLPPM>USLPPMTotal
11.0310904.0210905.06
20.496803.716804.19
Pgina 30 de 47
32.75
34.25
USL
Overall
Pp
0.90
PPL 1.35
PPU 0.74
Ppk 0.74
32.75
34.25
Mintab V15
Tambin en este caso los Ppks no cumplen con el criterio de al menos 1.33.
6.5 Cartas de control por atributos

Para la teora ver articulo sobre Cartas de Control.doc y el Curso de CEP
Se usan estas cartas para cuando las caractersticas se juzgan como pasa o no pasa
Carta P de proporcin o fraccin de unidades defectuosas, no conformes o defectivas
Ejemplo: El archivo MOTORES.MTW contiene datos de motores pequeos producidos
y los que al final del proceso han resultado defectuosos, correspondientes a 6 semanas.
Carta de control p usando el archivo MOTORES.MTW
Stat > Control Charts > Attrutes chart > P

Variables Defectuosos
Subgroup sizes Produccin
OK
Se tienen lmites de
control variables por
ser el tamao de muestra
variable
TestResultsforPChartofDefectuosos
Aproximando el tamao de muestra a su promedio se tiene n = 1350
Stat > Control Charts > Attrutes chart > P

Subgroup sizes 1350
OK
Pgina 31 de 47
Mintab V15
Carta de control NP para el nmero de defectuosos o no conformes

Ejemplo: El archivo CATETER.MTW contiene datos de cateters defectuosos encontrados
al inspeccionar muestras de 100 piezas cada hora observando la calidad de la soldadura.
Carta de Control np usando el archivo CATETER.MTW
Stat > Control Charts > Attributes chart > NP

Subgroup sizes 100
OK
TestResultsforNPChartofDefectuosos
La causa aparente del punto fuera de control en la carta es un lote defectivo de materia prima
por lo que es razonable no considerarlo y recalcular los lmites de control
Stat > Control Charts > Attributes chart > NP

Subgroup sizes 100
NP Chart Options Estimate Omit the following subgroups when estimating parameters 18
Data Options seleccionar Especify which rows to exclude seleccionar Row numbers 18
OK
Pgina 32 de 47
Mintab V15
Carta de control C para defectos por unidad de inspeccin constante

Ejemplo: Se usa el archivo VISITAS_WEB.MTW el cual se encuentra anexo y describe
el nmero de visitas recibidas en una pgina Web durante octubre y noviembre 2002
indicando tambin la fecha y da de la semana
Carta de control C usando el archivo VISITAS_WEB.MTW
Stat > Control Charts > Attributes chart > C

Variables Visitas
OK
TestResultsforCChartofVisitas
TestFailedatpoints:5,6,10,11,22,26,33,37,40,41,54,55
El punto del da 10 representa un pico debido a un anuncio especial anunciando la pgina
los otros puntos que salen de control se presentan los fines de semana.
Para eliminar los puntos correspondientes a sbados y domingos usar el botn Data Options
para recalcular los lmites de control de nuevo:
Stat > Control Charts > Attributes chart > C

Variables Visitas
Data Options
C Chart OptionsData Options
Pgina 33 de 47
Mintab V15
Omitir los puntos 10 y 11

en el reclculo de lmites
Excludingrowswhere'Diasemana'="S"or'Diasemana'="D"orFecha=DATE("10/10/2002")
18rowsexcluded
Minitab 15
Leave gaps for excluded points: Seleccionar para dejar un espacio en la grfica
para los puntos excluidos
Carta de control U para el nmero de defectos por unidad de inspeccin variable

Ejemplo: Se utiliza el archivo TEJIDO.MTW anexo
Contiene el nmero de manchas de cada tela y su superficie corresp. en metros cuadrados
Carta de Control U usando el archivo TEJIDO.MTW
Stat > Control Charts > Attributes chart > U

Variables Numero Manchas
Subgroup size Superficie
OK
Los lmites de control

son variables debido a
que el tamao de muestra
es variable
El proceso est en control estadstico
6.6 Estudios de capacidad por atributos

Estudio de capacidad para variables que siguen una distribucin binomial (fraccin defectiva)
Pgina 34 de 47
Mintab V15
Ejemplo: Se usa el archivo BANCO.MTW anexo que contiene por diferentes agencias
bancarias, el nmero de clientes no satisfechos de entrevistas a 50 en cada una.
Stat > Quality tools > Capability Analysis > Binomial

Defectives Descontentos
Sample size seleccionar Constant size 50
Target 0
OK
TestResultsforPChartofDescontentos
TestFailedatpoints:6,13,28
3 puntos fuera de control
Puntos fuera de control
Meta 0 defectuosos
La grfica acumulativa debe
acabar estabilizandose cerca
Intervalos de confianza y ppm de defectuosos
del valor medio para indicar

que el tamao de muestra
La Z del proceso es 0.75 que es muy baja,
es representativo
debe mejorarse
Seleccionando la carta de control P y con Editor > Brush y Editor > Set ID variables a Agencia
se identifican las agencias 112 y 212 como las que ms influyen en las quejas.
Colocando asteriscos en los datos de estas agencias se tiene:
Asi el porcentaje de clientes insatisfechos por agencia se encuentra
entre el 18 al 22% para un nivel de confianza del 95%.
Es importante identificar las causas asignables que distinguen a las agencias.
Estudio de capacidad para variables que siguen una distribucin de Poisson (nmero de defectos)
Pgina 35 de 47
Mintab V15
Se usa como ejemplo el archivo PINTADO_HORNO.MTW anexo el cual contiene

detectados en 40 piezas consecutivas.
Stat > Quality tools > Capability Analysis > poisson

Defects Nmero de defectos
Constant size 1
Target 0
OK
El proceso es estable en torno a 3 defectos por unidad.
El nmero de muestras es suficiente
Los valores siguen una distribucin

de Poisson
6.7 Cartas de control especiales (EWMA y CuSum)

Grfica de Sumas acumuladas ( CuSum )
Se usa para registrar al centro del proceso.Se corre en tndem (una tras otra)
Es ms sensible que la grfica X al movimiento de los pequeos cambios sostenidos
en el centro del proceso.
Es ms sensible que la grfica X al movimiento de separacin gradual del centro del proceso.
Es menos sensible que la grfica X al desplazamiento grande e nico del centro del proceso.
Se puede aplicar a las Xs o a las Xs individuales
Sus parmetros clsicos son h = 4; k = 0.5
Son ms eficientes que las cartas de Shewhart para detectar pequeos corrimientos en la
media del proceso (2 sigmas o menos)
Para crear la carta Cusum se colectan m subgrupos de muestras, cada una de tamao n y
se calcula la media de cada muestra Xi-media. Despus se determina Sm o Sm como sigue:
Ejemplo: Variaciones de una flecha respecto a una lnea de referencia, los datos se
encuentran en el archivo CRANKSH.MTW anexo.
Pgina 36 de 47
Mintab V15
Carta X media - Rango
Stat > Control Charts > Variables Charts for Subgroups > Xbar
OK
No se observa que el
proceso tenga corrimiento
o est fuera de control
Carta de Sumas acumuladas con Lmites Superior e inferior
Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5. Target 0.0
OK
Los puntos 4-10 estan

fuera de lmite superior
de control, el proceso
est fuera de control
Se tienen corridas por
arriba del lmite superior
de control, no visibles en
la carta X-R anterior
TestResultsforCUSUMChartofAtoBDist
TEST.Onepointbeyondcontrollimits.
TestFailedatpoints:4,5,6,7,8,9,10
Carta de Sumas acumuladas con Mascara en V
La carta de control CuSum se obtiene graficando los valores de Sm o Sm como funcin de m.
Si el proceso permanece centrado, la carta tender hacia el valor de la media 0
Si el proceso se corre gradualmente hacia arriba o hacia abajo, ser indicado en la carta.
Su sensibilidad est determinada por los parmetros k y h.
Una forma de identificar si el proceso sale de control es con una mascara en V cuyo origen
se coloca en el ltimo punto de suma acumulada determinado y observando que ninguno de
los puntos anteriores se salga, de otra forma tomar accin
Stat > Control Charts > Time Weighted Charts > Cusum
En Subgroup sizes, poner 5. Target 0.0
en Cusum Options: Seleccionar two sided V mask Center on subgroup 6 o 8
Pgina 37 de 47
Mintab V15
OK
Indica situacin fuera

de control en el punto
de medicin actual
Carta EWMA de promedios mviles ponderados exponencialmente

Monitorea un proceso promediando los datos de tal forma que les da cada vez menos
peso conforme son removidos en el tiempo. Tiene sensibilidad simlar a la de la Cusum
Es ms sensible que la carta X al movimiento de separacin gradual de la media del proceso.
Stat
> Control
Charts > Time
Weighted
Charts
> EWMA
Seleccionar
All observations
for a chart
are in one
column,
seleccionar AtoBDist
En Subgroup sizes, poner 5. Weight of EWMA 0.2
OK
Puntos fuera de control
Pgina 38 de 47
Mintab V15
TestResultsforEWMAChartofAtoBDist
Carta de promedios mviles
Tiene una sensibilidad intermedia entre las cartas X-R y la Cusum y EWMA
Stat
> Control
> Time Weighted
Moving
average
Seleccionar
AllCharts
observations
for a chartCharts
are in >
one
column,
seleccionar AtoBDist
En Subgroup sizes, poner 5. Lenght of MA 3
OK
Minitab 15
Fuera de control el punto 6
Cartas de control multivariadas

Se utilizan para el control simultaneo de varias caractersticas de un producto, una condicin
es que haya una dependencia o correlacin entre estas variables:
Carta T2
Es una versin multivariada de la carta de Individuales y la carta de medias Xbarra

En un hospital se encuestan a cinco clientes diarios sobre su satisfaccion y estancia en el hospital.
Dado que ambas estn correlacionadas, se usa una carta de control multivariada.
La satisfaccin se mide del 1 al 7 y la estancia en das.
1
2
3
File > Open worksheet HOSPITAL.MTW.

Stat > Control Charts > Multivariate Charts > Tsquared.
En Variables, seleccionar Stay Satisfaction.
En Subgroup sizes, poner Departure, then click OK.

Departure
Stay
1/01/01
Satisfaction TestResultsforTsquaredChartofStay,Satisfaction
PointVariablePValue
5
1/01/01
6.5
GreaterThanUCL18Stay0.0010
1/01/01
5.2
Satisfaction0.0002
1/01/01
19Satisfaction0.0000
1/01/01
1/02/01
Etc.
Pgina 39 de 47
Mintab V15
Se observa que el da 18 ambas variables salieron de control, pero el da 19 solo se afect la

satisfaccin, por lo que se debe investigar la causa.
Carta T2 y varianza generalizada

Esta carta es la carta multivariada equivalente de la I-MR, X-R, y X-S al monitorear al mismo tiempo
las medias y las varianzas de varias variables del proceso correlacionadas.
Paraelcasodelhospital:
1
File > Open worksheet HOSPITAL.MTW.
Stat > Control Charts > Multivariate Charts > Tsquared-Generalized Variance.
En Variables, seleccionar Stay Satisfaction.
En Subgroup sizes, poner Departure, then click OK.
TestResultsforTsquaredChartofStay,Satisfaction
PointVariablePValue
GreaterThanUCL18Stay0.0010
Satisfaction0.0002
19Satisfaction0.0000
Se muestran situaciones anormales los das 18 y 19 en los valores medios

de satisfaccin y estancia; la variabilidad conjunta de estancia y satisfaccin
se mantiene en control durante los 30 das del mes
Carta de varianza generalizada - sirve para monitorear la varianza conjunta de varias variables
Pgina 40 de 47
Mintab V15
Se miden el pulso, presin sanguinea y peso de 5 pacientes cada semana durante tres meses.
Se trata de investigar si se mantiene en control la variabilidad conjunta de las tres variables:
1
File > Open worksheet HEARTHDRUG.MTW.
Stat > Control Charts > Multivariate Charts > Generalized Variance.
En Variables, seleccionar HeartRate Systolic Diastolic Weight.
En Subgroup sizes, poner Week,
Click Labels. En Title, teclear Generalized Variance Chart for Effects of Heart Drug.
Click OK en cada cuadro de dalogo.
No hay puntos fuera de control, indicando que la variabilidad conjunta de los signos
de las cinco personas est en control
Carta MEWMA para monitoreo simultaneo de varias variables correlacionadas
Por ejemplo en un secador por aspersin, para controlar el tamao de partcula, se puede
monitorear la temperatura de alimnetacin y la temperatura en la cmara.
Por ejemplo un fabricante de juguetes quiere monitorear el peso en gramos y la longitud en cms.
de un juguete. Se colectan 4 muestras cada da por 20 das. Como estas variables
estan correlacionadas, se quiere detectar pequeos corrimientos en estas variables.
1
File > Open worksheet TOYS.MTW.
Seleccionar Stat > Control Charts > Multivariate Charts > Multivariate EWMA.
En Variables, seleccionar Weight Length.
En Subgroup sizes, seleccionar Day. Click OK.
El proceso se muestra en control.
Pgina 41 de 47
Mintab V15
6.8 Muestreo por atributos

Para la teora ver el documento Muestreo de Aceptacin.Doc anexo
Clculo de la probabilidad de aceptacin -Curva caracterstica de operacin (OC)
La probabilidad deaceptar lotes con una cierta fraccin defectiva p
en base a un tamao de muestra n utilizando la distribucin Binomial es:
Excel
=distr.binom(x, n, p, 1) con x=Defectuosos aceptados,

n -muestra, p -fraccin defectiva
Minitab
Calc > Probability distributions > Binomial

seleccionar Cumulative Probability
Poner en Trials n Prob. Success p
En Input constant x (para cada una de las p's)
Pa =
p
0.005
0.010
0.020
0.030
0.040
0.050
0.060
0.070
0.080
0.090
0.100
0.110
0.120
0.98969
0.93969
0.73658
0.49848
0.30416
0.17208
0.09187
0.04682
0.02296
0.01089
0.00501
0.00225
0.00098
Fraccin def. en lote - p
Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de

n = 89, aceptando hasta con c = x = 2 defectivos, se aceptan 74 lotes
de cada 100 lotes que enve el proveedor con esta fraccin defectiva
Clculo del nivel de calidad promedio de salida (AOQ) en inspeccin rectificadora
La inspeccin rectificadora se refiere a que los lotes que son
rechazados al aplicar el plan de muestreo se reingresan al cliente
una vez que se seleccionan al 100%, reduciendo la fraccin def. total.
La fraccin defectiva que se ingresa al almancn AOQ una vez que
se aplica el plan de muestreo n = 89, c = 2 es:
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
Pa
0.98969
0.93969
0.73658
0.49848
0.30416
0.17208
0.09187
0.04682
AOQ = Pa . P
0.00495
0.00940
0.01473
0.01495
0.01217
0.00860
0.00551
0.00328
Pgina 42 de 47
Mintab V15
0.08
0.02296
0.00184
Por ejemplo si el lote tiene un 2% de defectivo y se toman muestras de

n = 89, aceptando hasta con c = x = 2 defectivos aceptables
Lo anterior est plasmado en tablas de muestreo de aceptacin por
atributos indicadas en el artculo de Muestreo de Aceptacin.Doc
Minitab 15
Muestreo simple por atributos

Permite crear un plan de aceptacin por atributos o comparar varios planes de muestreo especificados
a) Crear un plan de muestreo para determinar el tamao de muestra y hacer una decisin sobre si
aceptar o rechazar el lote, con base en el nmero de defectivos o nmero de defectos encontrados
en la muestra.
b) Comparar varios planes de muestreo para determinar el efectos de variar el tamao de muestra o
el nmero de aceptacin.
Por ejemplo: un proveedor enva un lote de 5000 productos con varios defectivos. Se implementa un
plan de muestreo de modo que se acepte o rechace el lote completo. Se acuerda un AQL del 1.5% y
RQL de 10%.
Caso a)
1 Stat > Quality Tools > Acceptance Sampling by Attributes.

2 Create a sampling plan.
3 En Measurement type, seleccionar Go / no go (defective).
4 En Units for quality levels, seleccionar Percent defective.
5 En Acceptable quality level (AQL), poner 1.5. En Rejectable quality level (RQL or LTPD), poner 10.
6 EIn Producer's risk (Alpha), poner 0.05. En Consumer's risk (Beta), poner 0.10.
7 En Lot size, poner 5000.
8 Click OK.
AcceptanceSamplingbyAttributes
Measurementtype:Go/nogo
Lotqualityinpercentdefective
Lotsize:5000
Usebinomialdistributiontocalculateprobabilityofacceptance
AcceptableQualityLevel(AQL)1.5
Producer'sRisk(Alpha)0.05
RejectableQualityLevel(RQLorLTPD)10
Consumer'sRisk(Beta)0.1
GeneratedPlan(s)
SampleSize52
Plan de muestreo
AcceptanceNumber2
Acceptlotifdefectiveitemsin52sampled<=2;Otherwisereject.
PercentProbabilityProbability
DefectiveAcceptingRejectingAOQATI
1.50.9570.0431.420266.2
10.00.0970.9030.9564521.9
Pgina 43 de 47
Mintab V15
Averageoutgoingqualitylimit(AOQL)=2.603at4.300percentdefective.
Caso b
Asumiendo que ya se implement un plan con n = 52 c = 2, AQL = 1.5%, LTPD = 10%.

Comparar este plan con uno en n = 52, c = 0.
1 Stat > Quality Tools > Acceptance Sampling by Attributes.
2 Compare user defined sampling plans
3 En Measurement type, seleccionar Go / no go (defective).
4 En Units for quality levels, seleccionar Percent defective.
5 En Acceptable quality level (AQL), poner 1.5. En Rejectable quality level (RQL or LTPD), poner 10.
6 EI Sampe sizes, poner 52. En Cacceptance numbers, poner 0 2.
8 Click OK.
AcceptanceSamplingbyAttributes
Measurementtype:Go/nogo
Lotqualityinpercentdefective
Lotsize:5000
Usebinomialdistributiontocalculateprobabilityofacceptance
AcceptableQualityLevel(AQL)1.5
CompareUserDefinedPlan(s)
SampleAcceptancePercentProbabilityProbability
Size(n)Number(c)DefectiveAcceptingRejectingAOQATI
5201.50.4560.5440.6762745.2
52010.00.0040.9960.0414979.3
5221.50.9570.0431.420266.2
52210.00.0970.9030.9564521.9
SampleAcceptanceAtPercent
Size(n)Number(c)AOQLDefective
5200.6931.887
5222.6034.300
Acceptlotifdefectiveitemsinnsampled<=c;Otherwisereject.
Pgina 44 de 47
Mintab V15
Para cero defectos solo hay una probabilidad de aceptar de 45.6% lotes con un AQL de 1.5% defectivo
en vez de una probabilidad de acepacin del 95% cuando el criterio es aceptar hasta con dos defectos.
Minitab 15
Muestreo simple por variables

Permite crear un plan de aceptacin por variables o comparar varios planes de muestreo especificados
a) Crear un plan de muestreo para determinar el tamalo de muestra y hacer una decisin sobre si
aceptar o rechazar el lote, con base en las mediciones.
b) Comparar varios planes de muestreo para determinar el efectos de variar el tamao de muestra o
distancia crtica
Caso a)
Por ejemplo: un proveedor enva un lote de 2500 tubos de 2". Se implementa un plan de muestreo
para verificar el espesor de la pared. El lmite inferior es de 0.09". Se acuerda un AQL de 100 ppm
RQL de 300 ppm o defectos por milln.
1 Stat > Quality Tools > Acceptance Sampling by Variables
2 Create a sampling plan.
3 En Units for quality levels, seleccionar Defectives per million
4 En Acceptable quality level (AQL), enter 100.
En Rejectable quality level (RQL or LTPD), poner 300
5 En Producer's risk (Alpha), poner 0.05. En Consumer's risk (Beta), poner 0.10.
6 En Lower spec, poner 0.09
7 En Historical standard deviation, poner 0.025.
9 Click OK.
El plan generado es el siguiente:
AcceptanceSamplingbyVariablesCreate/Compare
Lotqualityindefectivespermillion
LowerSpecificationLimit(LSL)0.09
HistoricalStandardDeviation0.025
LotSize2500
AcceptableQualityLevel(AQL)100
Producer'sRisk(Alpha)0.05
Consumer'sRisk(Beta)0.1
GeneratedPlan(s)
Plan de muestreo generado
SampleSize104
CriticalDistance(kValue)3.55750
Z.LSL=(meanlowerspec)/historicalstandarddeviation
AcceptlotifZ.LSL>=k;otherwisereject.
DefectivesProbabilityProbability
PerMillionAcceptingRejectingAOQATI
1000.9500.05091.1223.2
3000.1000.90028.62261.4
Pgina 45 de 47
Mintab V15
Averageoutgoingqualitylimit(AOQL)=104.6at140.0defectivespermillion.
Caso b)
Por ejemplo: un proveedor enva un lote de 2500 tubos de 2". Se implementa un plan de muestreo
para verificar el espesor de la pared. El lmite inferior es de 0.09". Se acuerda un AQL de 100 ppm
RQL de 300 ppm defectos por milln. Se quieren comparar los planes de muestreo con 50 75 100 104
1 Stat > Quality Tools > Acceptance Sampling by Variables > Create / Compare
2 Compare user defined sampling plans
3 En Units for quality levels, seleccionar Defectives per million
4 En Acceptable quality level (AQL), enter 100.
En Rejectable quality level (RQL or LTPD), poner 300
5 En Sample sizes, poner 50 75 100 104. En Critical distance (k values), poner 3.55750.
6 En Lower spec, poner 0.09
7 En Historical standard deviation, poner 0.025.
9 Click OK.
AcceptanceSamplingbyVariablesCreate/Compare
Lotqualityindefectivespermillion
LowerSpecificationLimit(LSL)0.09
HistoricalStandardDeviation0.025
LotSize2500
AcceptableQualityLevel(AQL)100
CompareUserDefinedPlan(s)
SampleCriticalDefectivesProbabilityProbability
Size(n)Distance(k)PerMillionAcceptingRejectingAOQATI
503.55471000.8770.12386.0350.5
503.55473000.1920.80856.52029.5
753.55471000.9230.07789.5262.6
753.55473000.1430.85741.72152.7
1003.55471000.9500.05091.2220.4
1003.55473000.1090.89131.42237.9
1043.55471000.9530.04791.3216.4
1043.55473000.1050.89530.12249.1
SampleCriticalAtDefectives
SizeDistance(k)AOQLPerMillion
Pgina 46 de 47
Mintab V15
503.554797.9149.9
753.5547102.1143.4
1003.5547105.3141.6
1043.5547105.8141.5
Z.LSL=(meanlowerspec)/historicalstandarddeviation
AcceptlotifZ.LSL>=k;otherwisereject.
Se decide que un tamao de muestra de 50 no protege lo suficiente, ya que se tiene un 18.7% de

probabilidad de aceptar un lote con un RQL de 300 ppm, lo cual es demasiado alto. Tambin se
tiene un riesgo del 12.7% de rechazar un lote con 100 ppm, lo cual no es adecuado para el productor.
Por lo que se selecciona un tamao de muestra de 75 o ms dependiendo de la experiencia que se
vaya teniendo.
6.9 Aplicaciones
Realizar los ejercicios del Mdulo 5 incluidos en el archivo CursoTallerMinitabEjercicios
Pgina 47 de 47

Mtb15 Control Estad Proceso

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Mtb15 Control Estad Proceso

Caricato da

Copyright:

Formati disponibili

Mintab V15

Mdulo 6. Control Estadstico del Proceso

MINITAB 15 MDULO 6. CONTROL ESTADSTICO DEL PROCESO

6.1Cartas de control por variables: I-MR, Xmedia R

MDULO 6. CONTROL ESTADSTICO DEL PROCESO

6.1 Cartas de control por variables: X media - R, I-MR, X media - S

Carta de Medias Rangos, funciona mejor para subgrupos menores a 10.

Carta de Control X-R usando el archivo CAMSHAFT.MTW.

Para omitir subrupos con los que el proceso sale de control

Para mostrar lmites en 2 y 3 (default) sigmas u en otra sigma

Definir las pruebas estadsticas fuera de control a ser indicadas

Para mostrar diferentes etapas de desempeo del proceso

Para transformar datos sin un comportamiento normal

Si se quiere condicionar el despliegue de subgrupos

P. Reyes / Nov. 2007

Mdulo 6. Control Estadstico del Proceso

Para guardar los datos mostrados en la carta de control

P. Reyes / Nov. 2007

Mdulo 6. Control Estadstico del Proceso

Desabilitar ejecucin de comandos con Editor > Enable Commands

9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00

Los patrones anormales detectados son:

P. Reyes / Nov. 2007

Mdulo 6. Control Estadstico del Proceso

P. Reyes / Nov. 2007

Carta de control de Desviacin estndar S de archivo VITA_C.MTW

Carta de control de lecturas individuales de archivo

Utilizando los datos del archivo CAMSHAFT

I-MR Chart of Supp1

La grfica obtenida es la siguiente:

Mdulo 6. Control Estadstico del Proceso

Varios puntos salen de control por lo que el proceso no es estable:

I-MR Chart of Supp1

Repitiendo la operacin anterior para los puntos 1, 21, 36 se tiene:

I-MR Chart of Supp1

El proceso es bastante estable

P. Reyes / Nov. 2007

Mdulo 6. Control Estadstico del Proceso

P. Reyes / Nov. 2007

Data > Copy > Columns to Columns

Uso de la funcin Stamp

10:30 11:15 12:00 12:45 13:30

Excluye el punto fuera de

9:45 10:30 11:15 12:00 12:45 13:30

Mdulo 6. Control Estadstico del Proceso

Hora V 6:15 8:00

10:00 12:00 14:00

Carta deRangos Mviles usando el archi CLORO.MTW

Moving Range Chart of pH V

Carta de control de valores individuales y rangos mviles usando arcCLORO.MTW

Carta de control X-S usando el archivo

Se utilizan los datos del archivo CAMSHAFT.MTW anexo

P. Reyes / Nov. 2007

Mdulo 6. Control Estadstico del Proceso

Se usa para monitorear proveedores o grupos de mquinas

En Subgroup sizes, poner 10. Click OK.

Xbar-S Chart of Supp2

Como hay un punto fuera de control, se excluyen los valores 61 a 70:

... > Multiple Graphs > Multiple Variables

P. Reyes / Nov. 2007

Mdulo 6. Control Estadstico del Proceso

Moving Range Chart of Supp1

Moving Range Chart of Supp2

En general el proveedor 2 tiene un mayor variabilidad que el proveedor 1.